最邻近规则分类

最邻近规则分类(K-Nearest Neighbor)KNN算法

Cover和Hart在1968年提出了最初的邻近算法，它属于分类(classification)算法，输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)。

例子引入，对于电影类型的分类

将统一样本参数转换为坐标及类别

 

算法步骤

1. 为了判断未知实例的类别，以所有已知类别的实例作为参照
2.      选择参数K
3.      计算未知实例与所有已知实例的距离
4.      选择最近K个已知实例
5.      根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别

怎么判断：

实验测试，那个K精确度最高选择K（一般为1、3、5、7）

计算未知实例（x1,y1）与所有实例（x,y）之间的距离，选择最佳距离，比如K=3，选择3个最近的距离；它们属于哪一类，根据少数服从多数的原则，未知实例类别与3个中多数的类别为同一类；

关于距离的衡量

使用类似几何中求距离的方法，其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）

举例

对于K选择不同，得到的结果不同，所以对K选择很敏感

算法优缺点

优点是简单、易于理解、容易实现、通过对K的选择可具备丢噪音数据的健壮性

缺点是需要大量空间存储所有已知实例，算法复杂度高（需要比较所有已知实例与要分类的实例）

当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例数量过大，但这个新的未知实例实际并接近目标样本？

K（目标点比较距离点的数目）一般选择奇数（在结果使用少数服从多数）；

改进版本

考虑距离，根据距离加上权重值，比如1/d(d:距离)

代码实现

#!/usr/bin/python
# coding:utf-8
"""
Time：20181022
KNNImplementation.py
算法步骤：
step.1---初始化距离为最大值
step.2---计算未知样本和每个训练样本的距离dist
step.3---得到目前K个最临近样本中的最大距离maxdist
step.4---如果dist小于maxdist，则将该训练样本作为K-最近邻样本
step.5---重复步骤2、3、4，直到未知样本和所有训练样本的距离都算完
step.6---统计K-最近邻样本中每个类标号出现的次数
step.7---选择出现频率最大的类标号作为未知样本的类标号
---------------------
原文：https://blog.csdn.net/xlm289348/article/details/8876353
版权声明：本文为博主原创文章，转载请附上博文链接！
 最邻近规则分类(K-Nearest Neighbor)KNN
 实例：电影类型的判断，特征：打斗、接吻
  虹膜--花预测
 萼片长度，萼片宽度，花瓣长度，花瓣宽度
 loadDataset ：加载数据集，并将数据集分为训练集和测试集
 euclideanDistance：计算实例之间的最小最邻近距离
 getNeighbors：训练集与测试机之间的最邻近距离
getResponse：最邻近距离降序并找出最大的最邻近距离
getAccuracy：计算训练模型的准确率

"""
import csv
import random
import math
import operator


def loadDataset(filename, split, trainingSet = [], testSet = []):
    # with open(filename, 'rb') as csvfile:
    with open(filename, 'rt') as csvfile:
        lines = csv.reader(csvfile)
        dataset = list(lines)
        for x in range(len(dataset)-1):
            for y in range(4):
                dataset[x][y] = float(dataset[x][y])
            if random.random() < split:
                trainingSet.append(dataset[x])
            else:
                testSet.append(dataset[x])
                print(testSet)


def euclideanDistance(instance1, instance2, length):
    distance = 0
    for x in range(length):
        distance += pow((instance1[x]-instance2[x]), 2)
    return math.sqrt(distance)



def getNeighbors(trainingSet, testInstance, k):
    distances = []
    length = len(testInstance)-1
    print("len(trainingSet)", len(trainingSet))
    print("trainingSet", testInstance)
    # print("trainingSet", trainingSet)
    for x in range(len(trainingSet)):
        #testinstance
        dist = euclideanDistance(testInstance, trainingSet[x], length)
        distances.append((trainingSet[x], dist))
        #distances.append(dist)
    distances.sort(key=operator.itemgetter(1))
    neighbors = []
    for x in range(k):
        neighbors.append(distances[x][0])
        return neighbors


def getResponse(neighbors):
    classVotes = {}
    print("len(neighbors)", len(neighbors))
    for x in range(len(neighbors)):
        response = neighbors[x][-1]
        print("response", neighbors[x][0])
        if response in classVotes:
            classVotes[response] += 1
        else:
            classVotes[response] = 1
    # sortedVotes = sorted(classVotes.iteritems(), key=operator.itemgetter(1), reverse=True)
    sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True)

    return sortedVotes[0][0]


def getAccuracy(testSet, predictions):
    correct = 0
    print("len(testSet)", len(testSet))
    for x in range(len(testSet)):
        if testSet[x][-1] == predictions[x]:
        # if testSet[x-1] == predictions[x]:
            correct += 1
    return (correct/float(len(testSet)))*100.0


def main():
    #prepare data

    trainingSet = []
    testSet = []
    split = 0.67
    loadDataset(r'G:/Python/testproject1/venv1/MachineLearning/irisdata.txt', split, trainingSet, testSet)
    print('Train set: ' + repr(len(trainingSet)))
    print('Test set: ' + repr(len(testSet)))
    print("testSet", testSet)
    print("testSet[0][4]", testSet[0][4])
    # python提供一种特殊操作 -1 返回最后一个数或者字符
    print("testSet[0][-1]", testSet[0][-1])
    print("testSet[0][4]", testSet[0][4])
    #generate predictions
    predictions = []
    k = 3
    for x in range(len(testSet)):
        # trainingsettrainingSet[x]
        print("x", x)
        neighbors = getNeighbors(trainingSet, testSet[x], k)
        result = getResponse(neighbors)
        predictions.append(result)
        print('>predicted=' + repr(result) + ', actual=' + repr(testSet[x][-1]))
        accuracy = getAccuracy(testSet, predictions)
        print('Accuracy: ' + repr(accuracy) + '%')


if __name__ == '__main__':
    main()

参考：麦子学院机器学习讲义