KNN算法

KNN算法

1算法描述

最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来，当测试对象的属性和某个训练对象的属性完全匹配时，便可以对其进行分类。但是怎么可能所有测试对象都会找到与之完全匹配的训练对象呢，其次就是存在一个测试对象同时与多个训练对象匹配，导致一个训练对象被分到了多个类的问题，基于这些问题呢，就产生了KNN。

KNN是通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

2算法描述

接下来对KNN算法的思想总结一下：就是在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类，其算法的描述为：
1）计算测试数据与各个训练数据之间的距离；
2）按照距离的递增关系进行排序；
3）选取距离最小的K个点；
4）确定前K个点所在类别的出现频率；
5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。

3点集分类

3.1对1000个随机点进行分类

3.2源代码

#该程序实现了kNN算法
import numpy
import random
import operator
import matplotlib.pyplot as plt
#为了在控制台可生成图片
plt.switch_backend('agg')
axes = plt.subplot(111)

def kNNClassifier(inX, dataSet, labels, k):
    '''
    inX: 被分类的测试样本（向量形式）；
    dataSet: 训练样本集，每个样本为一行，则行数=样本个数
    labels：每个样本的标记，list形式
    k：近邻个数

    sortedClassCount：返回字典，key是排名，value是标记
    '''
    dataSetSize=dataSet.shape[0]  #shape函数返回行数，也就是训练样本个数
    diffMat=numpy.tile(inX, (dataSetSize, 1))-dataSet   #tile复制测试向量，dataSetSize行，1列，为了相减
    sqDiffMat=diffMat**2  #差值求平方
    sqDistances=sqDiffMat.sum(axis=1)  #按每行求和
    distances=sqDistances**0.5  #开方，得到测试样本和每个训练样本（每行）的距离
    sortedDistIndices=distances.argsort()  #距离排序

    classCount={}  #key：样本标记，value：得票数
    for i in range(k):  #计数k个近邻样本的标记
        voteIlabel=labels[sortedDistIndices[i]]  #voteIlabel记录第i个样本的标记
        classCount[voteIlabel]=classCount.get(voteIlabel, 0)+1  #计票
    sortedClassCount=sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)  #按照每个样本标记的得票数，降序排序

    <