Knn实现简单的物品推荐

    KNN算法是机器学习里面比较简单的一个分类算法了，整体思想比较简单：计算一个点A与其他所有点之间的距离，取出与该点最近的k个点，然后统计这k个点里面所属分类比例最大的，则点A属于该分类。

    这次我就打算用knn来实现物品的推荐，还记得前面写的用协同过滤来做商品推荐吗？是不是和knn的实现有点一样呢，都是计算每个实体的与其他实体之间的距离，来实现n个相似的推荐。在这里Knn的实现和协同过滤有点不同，协同过滤里面各个实体的特征并不是都相同的，比如a用户看过x1电影、x2、x3电影，b看过x2、x3电影，c看过x2、x1电影，这样要为b推荐电影，这种特征之间距离的计算必须一一对应，没有相同的特征则会作为推荐的内容。而knn实现的推荐，更多是基于分类的思想，在这里a，b，c三个用户都有同样的特征，最后推荐的物品，则作为他们的分类属性y。如果是为c推荐，这样的话，a、b势必不能缺失分类属性y，而c是缺少属性y的，这个时候，想相当于为c做自动分类，来实现物品的推荐。

    刚好，过两天要去参加同事的婚礼，婚礼之后，度蜜月是必须的。在这里，我就模仿下旅游公司为他们推荐度蜜月的旅程。数据纯属虚假，如有雷同，请原谅。。

   

Customer     Age     Income     plan
1            25       46k       云南游
2            32       100k      日本北海道游
3            40       38k       济州岛7天游
4            20       150k      马尔代夫激情
5            28       51k       ???

    其中？？？的地方就是顾客5需要让knn算法自动分类的属性，具体的分类代码我就不写了，在这里主要写一个思路，就是说明可以用knn如何来实现物品的分类。

    如果使用最近邻算法回答我们上面遇到的 “第 5 个顾客最有可能去哪里” 这一问题，答案将是云南游。这是因为第 5 个顾客与第 1 个顾客之间的距离要比第 5 个顾客与其他任何顾客之间的距离都短（实际上是短很多）。基于这个模型，可以得出这样的结论：由最像第 5 个顾客的顾客可以预测出第 5 个顾客的行为。