1.k-近邻算法工作原理
存在一个样本数据合集,也称作训练样本集,并且样本集中每个数据都有标签,即我们知道样本集中每一数据与所属分类的对于关系。输入没有标签的新数据后,将新数据的每一个特征与样本集中数据对于的特征进行比较,然后算法提取样本集中特征最相近的数据的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k值是不大于20的整数.
2.k-近邻算法的一般流程
(1)收集数据:可以使用任何方法
(2)准备数据:距离计算所需要的数值,最好是结构化的数据格式
(3)分析数据:可以使用任何方法
(4)训练算法:此步骤不适用k-近邻算法
(5)测试算法:计算错误率
(6)使用算法:首先需要输入样本数据和结构化的输出结果,然后运行K 近邻算法判定输入数据分别属于哪个分类,最后应用对计算出的分类执行后续的处理
3.代码实例分析
本列采用书本上一个简单的例子:
定义A,B两个物品,以及两种的数据
def createDataSet():
group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
labels = ['A','A','B','B']
return group,labels
然和就计算测试点距离A,B两点的距离大小,然后去距离较近的点,将测试点划分到距离近的目标点范围
def calssify(inX,dataSet,labels,k):
dataSetSize=dataSet.shape[0]
diffMat=numpy.tile(inX,(dataSetSize,1))-dataSet
sqDiffMat=diffMat**2
sqDistances=sqDiffMat.sum(axis=1)
distances=sqDistances**0.5
sortedDistIndicies=distances.argsort()
classCount={}
for i in range(k):
voteIlabel=labels[sortedDistIndicies[i]]
classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
以下为本次代码的全部,可以直接运行
import numpy
from numpy import *
import operator
import collections
def createDataSet():
group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
labels = ['A','A','B','B']
return group,labels
def calssify(inX,dataSet,labels,k):
dataSetSize=dataSet.shape[0]
diffMat=numpy.tile(inX,(dataSetSize,1))-dataSet
sqDiffMat=diffMat**2
sqDistances=sqDiffMat.sum(axis=1)
distances=sqDistances**0.5
sortedDistIndicies=distances.argsort()
classCount={}
for i in range(k):
voteIlabel=labels[sortedDistIndicies[i]]
classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
if __name__ == '__main__':
group,labels=createDataSet()
test=[0.8,0.5]
test_class = calssify(test, group, labels, 3)
print(test_class)
本次测试点为(0.8,0.5),自然划分到A的范围内
4.学习总结
k-近邻算法是分类数据最简单,最有效的算法。k-近邻算法必须保存全部的数据集,如果数据集过大,必须使用大量的存储空间。此外,由于必须对数据集中每一个数据计算距离,使用时会比较耗费数据