机器学习实战笔记(Python实现)-02-k近邻算法(kNN)

k近邻算法（kNN）

        本博客来源于CSDN：http://blog.csdn.net/niuwei22007/article/details/49703719

              本博客源代码下载地址：CSDN免费下载、GitHub下载地址 均带有详细注释和测试数据

        今天学习了《机器学习实战》这本书介绍的第一个机器学习算法—k近邻算法。书中介绍它对于分类非常有效，比如书中的例子是对电影的题材进行分类。

一、算法原理

        算法原理是什么？允许我不严谨的说一下：首先有一堆有标签的样本，比如有一堆各种各样的鸟（样本集），我知道各种鸟的不同外貌（特征），比如羽毛颜色、有无脚蹼、身体重量、身体长度以及最重要的它属于哪一种鸟（类别/标签）；然后给我一只不是这堆鸟中的一只鸟（测试样本），让我观察了它的羽毛颜色等后，让我说出它属于哪一种鸟？我的做法是：遍历之前的一堆鸟，分别比较每一只鸟的羽毛颜色、身体重量等特征与给定鸟的相应特征，并给出这两只鸟的相似度。最终，从那一堆鸟中找出相似度最大的前k只，然后统计这k只鸟的分类，最后把分类数量最多的那只鸟的类别作为给定鸟的类别。虽然结果不一定准确，但是是有理论支持的，那就是概率论，哈哈。

        下面来看一下书上对这个算法的原理介绍：存在一个训练样本集，并且每个样本都存在标签（有监督学习）。输入没有标签的新样本数据后，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，然后算法提取出与样本集中特征最相似的数据（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，这就是k-近邻算法中k的出处，而且k通常不大于20。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。

二、如何解决问题

        没接触过的同学应该能懂了吧。书中的举例是对电影的题材进行分类：爱情片or动作片。依据电影中打斗镜头和接吻镜头的数量。下面来看一下如何用kNN来解决这个问题。

        

        要解决给定一部电影，判断其属于哪一种电影这个问题，就需要知道这个未知电影存在多少个打斗镜头和接吻镜头，如上图所示，问号位置所代表的两种镜头次数分别是多少？

        下面我们来看一下图中电影的特征值，如下表：

        相信看过数据以后，即使不知道未知电影（?）属于哪一种类型，但是可以通过某个计算方法计算出来。

• 第一步：首先计算未知电影与已知电影的相似度（抽象距离--相似度越小，距离越远）。