一、kNN算法基本概念
- 基本概念: kNN算法采用测量不同特征值之间的距离方法进行分类
- kNN算法
a.优点:精度高、对异常值不敏感、无数据输入假定
b.缺点:计算复杂度高、空间复杂度高
c**.使用数据范围:数值型和标称型。(标称型:一般在有限的数据中取,而且只存在‘是’和‘否’两种不同的结果,一般用于分类;数值型:可以在无限的数据中取,而且数值比较具体化,例如4.02,6.23这种值(一般用于回归分析))**- kNN工作原理:训练样本集中的每个数据都存在标签(即知道样本集中每一数据与所属分类的对应关系),输入待分类(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(求距离的过程),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集中前k个最相似的数据,故称为kNN算法,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算法伪代码
(1)计算已知类别数据集中的每个点与当前点的距离,可以使用欧式距离公式
![]()
(2)按照距离递增次序排序
(3)选取与当前距离最小的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
二、kNN算法的Python3实现
# -*- coding: utf-8 -*-
import numpy as np
import operator
"""
模拟一个电影训练数据集
打斗镜头 接吻镜头 所属分类
1.0 1.1 A
1.0 1.0 A
0 0 B
0 0.1 B
"""
def create_traing_dataset():
features = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
labels = ['A', 'A', 'B', 'B']
return features, labels
"""
inX:输入的待分类的样本,结构为[x, y]
features:电影训练数据集的镜头特征,结构为[打斗镜头, 接吻镜头]
labels:电影训练数据集的电影分类,
k:kNN算法的前k个点
return;返回inX最可能所属的电影分类
"""
def classify0(inX, features, labels, k):
# 输入的是一个样本点,为了训练数据集中所有点计算距离,需要将其扩展成与features形状相同的矩阵
# 注意:接下来的操作是以矩阵或向量为单位进行的
rows = features.shape[0]
matrix = np.tile(inX, (rows, 1))
# 应用欧几里得函数计算距离
# 1、作差
diff_mat = matrix - features
# 2、平方
sq_diff_mat = diff_mat ** 2
# 3、以行为单位求和
sq_distances = sq_diff_mat.sum(axis=1)
# 4、求平方根
distances = sq_distances ** 0.5
# 欧几里得函数计算结束,此时distances中存储的就是inX到features中的距离
# 按距离进行升序排序,因为这里features和labels是割裂的,其关系是用下标维护的
# 所以用argsort排序,返回distances排序后的下标,sorted_dist_indices中存储的下标
sorted_dist_indices = distances.argsort()
# 排序完成后,对前k个数据,用字典统计“电影类型:频率”
class_count = {}
for i in range(k):
vote_label = labels[sorted_dist_indices[i]]
class_count[vote_label] = class_count.get(vote_label, 0) + 1
#统计完成,按value出现频率降序排序,转为列表,第一个元素即为inX所属电影分类
sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)
return sorted_class_count[0][0]
# 测试
features, labels = create_traing_dataset()
inX = [0, 0]
k = 3
inX_label = classify0(inX, features, labels, k)
print(inX, "属于", inX_label)
三、总结说明
kNN算法不难理解,可是在用python实现时,还是有一些常用的小技巧的,这里总结一下:
- 将输入的向量inX用numpy的tile函数扩展为矩阵,后续统一以矩阵为单位进行操作,关于tile函数的使用可见博文
- Python 字典(Dictionary) get() 函数返回指定键的值,如果值不在字典中返回指定值:class_count[vote_label] = class_count.get(vote_label, 0) + 1。通过使用这种方式就将key不存在时的处理和加一操作统一了起来
- 使用python内置的sorted函数对字典按照value进行降序排序:sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True),其中operator.itemgetter方法实现按指定域进行排序
- 可以看到python,尤其是numpy中很多时候都是以矩阵为单位进行操作的,这不同于以往的编程,这是数据分析的特点,所以我们在解决问题的时候,为了理清思路,可以先用线性代数进行手工模拟,再用代码进行实现
- 要充分将语言的特性与所要解决的问题联系起来,毕竟互联网只是一个工具,起到的是一个桥梁连接作用