k近邻是一种常用的分类与回归算法,其原理比较简单
基本思想
给定一个训练数据集,其中的实例的类别已定,对于新的实例,根据其K个距离最短的训练实例的类别出现的频率,对新的实例进行预测。
距离计算
欧式距离
曼哈顿距离
K的取值
K值的选择对k近邻法的结果产生重大影响
K值较小,近似误差会减小,估计误差会增大,意味着整体模型变得复杂,产生过拟合。
K值较大,近似误差会增大,估计误差会减少,模型简单,容易是预测发生错误。
实际应用中,K值一般取一个比较小的值,在采用交叉验证来逐步调整K值,最终选择适合该样本的最优的K值。
KNN算法实现
算法基本步骤:
1)计算待分类点与已知类别的点之间的距离
2)按照距离递增次序排序
3)选取与待分类点距离最小的k个点
4)确定前k个点所在类别的出现次数
5)返回前k个点出现次数最高的类别作为待分类点的预测分类
Code
#kNN.py
from numpy import *
import operator
def createDataSet():
group = array([[1.0, 1.1, 1.2], [1.2, 1.0, 1.1], [1.1, 1.2, 1.0], [0.1, 0.5, 0.7], [0.2, 0,1, 0.3], [2.1, 2.0, 2.1]])
labels = ["AAA", "AAA", "BBB", "BBB", "CCC"]
return group,labels
def classfity(sampleX, dataSet, labels, k):
dataSetSize = len(dataSet)
diffMat = tile(sampleX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis =1)
distances = sqDistances ** 0.5
sortedDistIndicies = distances.argsorts()
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True)
return sortedClassCount[0][0]
参考:
《统计学习方法》 李航
http://blog.csdn.net/gamer_gyt/article/details/47418223