k-近邻算法:
(kNN —— k-Nearest Neighbors)
测量不同特征值之间的距离方法进行分类。
有一个样本数据集(每个样本都存在标签),输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,提取样本集中特征最相似数据(最近邻)的分类标签。一般,只选择样本数据中前k个最相似的数据(k通常不大于20),选择其中分类出现次数最多的作为新数据的分类。
欧式距离公式:
计算两个向量点xA和xB之间的距离:
举例:如果数据集存在4个特征值,则(1,0,0,1)与(7,6,9,4)之间的距离为:
测试分类器的效果:
算法使用:
对要约会的人进行分类(不喜欢的人、魅力一般的人、极具魅力的人),
提取数据中的4个样本:
计算样本3和4的距离:
可以看出数字差值最大的属性对计算结果影响最大,而这种原因是“每年获得的飞行常客里程数”远大于其他特征值。但是这3中特征值是同等重要的,所以“每年获得的飞行常客里程数”不该如此严重影响计算结果。
解决方法:将不同取值范围的特征值进行归一化,处理到0到1/-1到1
min和max为数据集中对应特征的最小和最大值。
通常使用数据的90%作为训练样本来训练分类器,其余的10%来测试分类器,这是最原始的做法,还有其他一些高级方法。注意:10%的数据是随机选择的。
算法特点:
k-近邻算法是基于实例的学习,使用算法时必须有接近实际数据的训练样本数据,同时又必须对数据集中的每个数据计算距离值,所以十分耗时。