机器学习算法------K近邻算法（kNN）

使用pycharm编写Python项目时可能用到的python扩展包网址（windows下的，ubuntu的话直接import，没有这么麻烦）:http://www.lfd.uci.edu/~gohlke/pythonlibs/

KNN算法工作原理：存在一个样本数据集合，也称作训练样本集，并且样本中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的‘对应关系。输入每一标签的数据后，将新数据的每个特征与样本集中数据相对应的特征进行比较，然后算法提取样本集中最相似数据（最近邻）的分类标签。一般来说，我们只选择数据集中前K个最相似的数据，这就是K-近邻算法的出处，通常K是不大于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。

KNN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：此步骤不适用于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。

首先定义数据集和标签：

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

该函数的功能是使用k-近邻算法将每组数据划分到某个类中

对未知属性的数据集中的每个点依次执行以下操作：

（1）计算已知类别数据集中的点与当前点之间的距离

（2）按照距离递增次序排序

（3）选取与当前点距离最小的K个点

（4）确定前k个点所在类别的出现频率

（5）返回前k个点出现频率最高的类别作为当前点的预测分类

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = 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.iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

最后，可以自己用一些实例来测试一下分类器的效果。