K-近邻算法—基本原理与实战

概述

    k-近邻算法（k-Nearest Neighbor, KNN）,是一个理论上比较成熟的方法，也是最简单的机器学习算法之一，用于预测数据的类别，以及对数据进行分类。该方法的简要思路就是采用测量不同特征值之间的距离来进行分类。

特点

工作原理

    存在一个样本数据集合，也称作训练样本集，并且样本集中的每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。当输入一个没有包含标签（也就是对应的类别）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，然后用算法提取样本集中特征与新数据最相似的数据（最近邻）的分类标签。一般来说，只取样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，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（标签）。

使用欧式距离公式，计算两个向量点xA和xB的距离：

kNN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：k-近邻算法不需要训练算法。

（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。

实施kNN分类算法

#kNN算法的伪代码
#功能：使用k-近邻算法将数据划分到某个类中
#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与当前点之间的距离；
（2）按照距离递增次序对数据集中的点进行排序；
（3）选取与当前点距离最小的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；

简单分类示例

from numpy import *
import operator

#createDataSet():产生样本集数据和样本集中每个数据的类型信息
def createDataSet():
    group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
    labels = ['A', 'A', 'B', 'B']
    return group, labels

函数createDataSet()初始化了四个样本数据，每个样本数据含有两个特征值，并且还初始化了标签信息，其中第一个数据的标签是A，第二个是A，第三个是B，第四个是B。产生