机器学习实战 K-近邻算法

K-近邻算法概述

​ 简单地说，**k-近邻算法采用测量不同特征值之间的距离的方法进行分类。他的优点是精度高、对异常值不敏感、无数据输入设定。缺点是计算复杂度高、空间复杂度高。**使用数据范围为：数值型和标称型。

​ k-近邻算法（kNN）的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集合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，然后算法提取样本集中特征最相似（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个最相似数据的数据，**这就是k-近邻算法中k的出处，**通常，k是不大于20的整数。**最后，选择k个最相似的数据中出现的次数最多的分类，作为新数据的分类。

k-近邻算法的一般流程

1. 收集数据： 可以使用任何方法
2. 准备数据：距离计算所需要的数值，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：此步骤不适合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。

k-近邻算法的实施

对未知类别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中的每个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

点与点之间的距离的算法有很多，这里使用了欧氏距离公式：

$\sqrt{(x{A}_0-x{B}_0{)}^2+(x{A}_1-x{B}_1}$