1、算法综述
Cover和Hart在1968年提出了最初的邻近算法,K-近邻算法(k-Nearest Neighbors)的本质计算未知数据集(测试样本)与训练集的各样本的距离,按从小到大取前k个距离排序,然后选择k个最相似数据中出现次数最多的分类作为新数据的分类。
(1)根据《机器学习》第10.1节,最近邻分类器虽然简单,但它的泛化错误率不超过贝叶斯最优分类器的错误率的两倍;
(2)对于二分类问题k值一般取奇数,便于分类;
(3)特征(属性)可以为多个,分类也可以是多个(比如考察约会对象的喜欢与否,特征为:玩游戏百分比、飞行里程、冰淇淋消耗;样本分为三类:1-特别喜欢,2-一般,3-不喜欢);
(4)距离一般选用欧氏距离或者曼哈顿距离;
(5)算法结果在很大程度上取决于k的取值以及距离公式选择。
2、评价
优点:精度高、对异常值不敏感、无数据输入假定(仅仅是把样本存起来,训练时间为0)。
缺点:计算复杂度高、空间复杂度高(关键是分类图片时,背景影响很大,这一点下面后说)。
适用数据范围:数值型和标称性。
3、工作原理
存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一个数据与所属分类的对应关系。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,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据及中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k选择不大于20的整数。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。
4、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-邻近算法
(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。
5、算法应用举例(Python和C++)
1、使用K-近邻算法分类爱情片和动作片
可以以打斗次数和接吻次数来作为二维图的x轴和y轴坐标:
首先计算出未知电影与样本集中其他电影的距离(距离的具体计算先不叙述)
按照距离递增排序,可以找到k个距离最近的电影,若k=3,则三个最靠近的电影依次是He’s Not Really into Dude