机器学习实战（二） 第 2 章 k-近邻算法（简单案例）

机器学习实战（二）
第 2 章 k-近邻算法
本章内容：
k-近邻分类算法
从文本文件中解析和导入数据
使用 Matplotlib 创建扩散图
归一化数值
k-近邻算法简介
简单地说，k-近邻算法是分类算法的一种， 采用测量不同特征值之间的距离方法进行分类。1.特点
优点：精度高、对异常值部敏感、无数据输入假定
缺点：计算复杂度高、空间复杂度高
适用数据范围：数值型和标称型
K近邻法算法(k-nearest neighbor, kNN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。
2.工作原理
存在一个样本数据集合（训练样本集），样本集中每个数据都存在标签，样本集中每一个数据与分类之间的对应关系。
输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(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，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。

举个简单的例子，我们可以使用k-近邻算法分类一个电影是爱情片还是动作片？已知电影中出现的亲吻、打斗出现的次数，使用 k-近邻算法构造程序，自动划分电影的题材类型。有人统计过很多电影的打斗镜头和接吻镜头，图2-1 显示了 6 部电影的打斗和接吻镜头数。假如有一部未看过的电影，如何确定的它是爱情片还是动作片呢？可以使用 kNN 来解决这个问题：

首先我们需要知道这个未知电影存在多少个打斗镜头和接吻镜头，图2-1 问号位置是该未知电影出现的镜头数图形化展示，具体数字参见表2-1：
表2-1 每部电影的打斗镜头数、接吻镜头数以及电影评估类型
电影名称 打斗镜头 接吻镜头 电影类型
California Man 3 104 爱情片
He’s Not Really into Dudes 2 100 爱情片
Beautiful Woman 1 81 爱情片
Kevin Longblade 101 10 动作片
Robo Slayer 3000 99 5 动作片
Amped II 98 2 动作片
？ 18 90 ？
通过欧式距离√(〖（x1-x2）〗^{2+〖（y1-y2）〗}2 )，计算未知电影与样本集中其他电影的距离
（18,90）→（3,104）→√(〖（18-3）〗^{2+〖（90-104）〗}2 )→20.5（California Man）
（18,90）→（2,100）→√(〖（18-2）〗^{2+〖（90-100）〗}2 )→18.7（He’s Not Really into Dudes）
（18,90）→（1,81）→√(〖（18-1）〗^{2+〖（90-81）〗}2 )→19.2（Beautiful Woman）
（18,90）→（101,10）→√(〖（18-101）〗^{2+〖（90-10）〗}2 )→115.3（Kevin Longblade）
（18,90）→（99,5）→√(〖（18-99）〗^{2+〖（90-5）〗}2 )→117.4（Robo Slayer 3000）
（18,90）→（98,2）→√(〖（18-98）〗^{2+〖（90-2）〗}2 )→118.9（Amped II）
现在得到了样本集中所有电影与未知电影的距离，按照距离递增排序，18.7,19.2,20.5,115.3,117.4,118.9这6个数排序后可以找到 k 个距离最近的电影。假定 k=3 ，则三个最近的电影依次是He…、Bea…、Cal…。k-近邻算法按照距离最近的三部电影的类型，决定未知电影的类型，而这三部电影都是爱情片，因此判定未知电影是爱情片。
3.k-近邻算法的一般流程
收集数据：可以使用任何方法；
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；
分析数据：可以使用任何方法，一般可采用可视化的方法进行分析；
训练算法：此步骤不适用于 k-近邻算法；
测试算法：计算错误率；
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。
4.实例
(1)Python3代码实现未知电影的分类
①准备数据集
代码如下：
import numpy as np

“”"
函数说明:创建数据集和标签
Parameters:
无
Returns:
group - 数据集
labels - 分类标签
Modify:
2019-08-13
“”"
def createDataSet():
#六组二维特征
group = np.array([[3,104],[2,100],[1,81],[101,10],[99,5],[98,2]])
#六组特征的标签
labels = [‘爱情片’,‘爱情片’,‘爱情片’,‘动作片’,‘动作片’,‘动作片’]
return group, labels
if name == ‘main’:
#创建数据集
group, labels = createDataSet()
#打印数据集
print(group)
print(labels)
运行结果，如图2-2

图2-2 创建数据集运行结果
②KNN算法
根据两点距离公式，计算距离，选择距离最小的前k个点，并返回分类结果。
使用k-近邻算法将每组数据划分到每个类中：
计算当前点和测试数据集中的点之间的距离。
按照距离递增次序排序。
选取和当前距离最小的k个点。
计算前k个点的类别出现的频率。
返回前k个点出现频率最高的类别作为当前预测点的分类。
这里预测未知电影(18，90)的类别，K-NN的k值为3。创建kNN.py文件，编写完整的代码如下：

-- coding: UTF-8 --

import numpy as np
import operator

“”"
函数说明:创建数据集

Parameters:
无
Returns:
group - 数据集
labels - 分类标签
Modify:
2019-08-13
“”"
def createDataSet():
#六组二维特征
group = np.array([[3,104],[2,100],[1,81],[101,10],[99,5],[98,2]])
#六组特征的标签
labels = [‘爱情片’,‘爱情片’,‘爱情片’,‘动作片’,‘动作片’,‘动作片’]
return group, labels

“”"
函数说明:kNN算法,分类器

Parameters:
inX - 用于分类的数据(测试集)
dataSet - 用于训练的数据(训练集)
labes - 分类标签
k - kNN算法参数,选择距离最小的k个点
Returns:
sortedClassCount[0][0] - 分类结果

Modify:
2019-08-13
“”"
def classify0(inX, dataSet, labels, k):
#numpy函数shape[0]返回dataSet的行数
dataSetSize = dataSet.shape[0]
#tile的作用是在列向量方向上重复inX共1次(横向)，行向量方向上重复inX共dataSetSize次(纵向)
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
#二维特征相减后平方
sqDiffMat = diffMat2
#sum()所有元素相加，sum(0)列相加，sum(1)行相加
sqDistances = sqDiffMat.sum(axis=1)
#开方，计算出距离
distances = sqDistances0.5
#返回distances中元素从小到大排序后的索引值
sortedDistIndices = distances.argsort()
#定义一个记录类别次数的字典
classCount = {}
for i in range(k):
#取出前k个元素的类别
voteIlabel = labels[sortedDistIndices[i]]
#dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
#计算类别次数
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#python3中用items()替换python2中的iteritems()
#key=operator.itemgetter(1)根据字典的值进行排序
#key=operator.itemgetter(0)根据字典的键进行排序
#reverse降序排序字典
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
#返回次数最多的类别,即所要分类的类别
return sortedClassCount[0][0]

if name == ‘main’:
#创建数据集
group, labels = createDataSet()
#测试集
test = [18,90]
#kNN分类
test_class = classify0(test, group, labels, 3)
#打印分类结果
print(test_class)

运行结果，如下图2-3

图2-3 电影分类的结果
可以看到，分类结果根据我们的"经验"是正确的，到这里，可能大家发现电影例子中的特征是2维的，这样的距离度量可以用两点距离公式计算，但是如果是更高维的呢？我们可以用欧氏距离(也称欧几里德度量)，如下方公式，我们高中所学的两点距离公式就是欧氏距离在二维空间上的公式，也就是欧氏距离的n的值为2的情况。
d(p,q)= d(q,p)=√(〖(q1-p1)^2+(q2-p2)〗2+⋯+(q_n-p_n )^2 )
=√(∑_(i=1)^n▒(q_i-p_i )^2 )
分类器并不会得到百分百正确的结果，我们可以使用多种方法检测分类器的正确率。此外分类器的性能也会受到多种因素的影响，如分类器设置和数据集等。不同的算法在不同数据集上的表现可能完全不同。为了测试分类器的效果，我们可以使用已知答案的数据，当然答案不能告诉分类器，检验分类器给出的结果是否符合预期结果。通过大量的测试数据，我们可以得到分类器的错误率-分类器给出错误结果的次数除以测试执行的总数。错误率是常用的评估方法，主要用于评估分类器在某个数据集上的执行效果。完美分类器的错误率为0，最差分类器的错误率是1.0。同时，我们也不难发现，k-近邻算法没有进行数据的训练，直接使用未知的数据与已知的数据进行比较，得到结果。因此，可以说k-邻近算法不具有显式的学习过程。
(2)实例2
①创建数据
②KNN算法

运行的结果如下，[0.4,0.2]对应的标签是B

参考链接：https://blog.csdn.net/c406495762/article/details/75172850