【机器学习实战】K-近邻算法

【机器学习实战】K-近邻算法

---

k近邻算法采用测量不同特征值之间的距离方法进行分类。
优点： 精度高、对异常值不敏感、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-近邻算法(KNN)

工作原理： 存在一个样本数据集合，也称作训练样本集，样本集合中每个数据都存在标签，即我们知道样本集中每个数据与所属分类的对应关系。输入没有标签的新数据后，新数据的每个特征与样本数据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数据(最近邻)的分类标签。一般来说只选择样本数据集中前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，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。

k-近邻算法函数代码

最关键的就是距离的计算，下面是使用欧氏距离来进行距离划分的k-近邻算法代码：

def classify0(inx, dataset, labels, k):
    '''
    :param inx: 未知标签数据特征
    :param dataset: 样本数据
    :param labels: 样本标签
    :param k: k近邻取值
    :return: 判断标签值
    '''
    # 距离计算
    datasetSetSize = dataset.shape[0]
    diffMat = tile(inx, (datasetSetSize, 1)) - dataset
    sqDiffMat = diffMat ** 2
    sqDistances = sqDiffMat.sum(axis=1)
    distance = sqDistances ** 0.5
    # 距离排序
    sortedDistIndicies = distance.argsort()

    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    sorteClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sorteClassCount[0][0]

欧式距离计算公式：
$$d=\sqrt{(x{A}_0-x{B}_0{)}^2+(x{A}_1-x{B}_1{)}^2}$$
根据欧氏距离选取k个最邻近的，看中k个最邻近的里面那些标签类别数量多，最多的那个就是k近邻的结果。

简单的k近邻算法完整代码

from numpy import *
import operator

# 创建数据和标签
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

# 验证创造数据函数
# group, labels = createDataset()
# print("group:", group)
# print("labels:", labels)

def classify0(inx, dataset, labels, k):
    '''
    :param inx: 未知标签数据特征
    :param dataset: 样本数据
    :param labels: 样本标签
    :param k: k近邻取值
    :return: 判断标签值
    '''
    # 距离计算
    datasetSetSize = dataset.shape[0]
    diffMat = tile(inx, (datasetSetSize, 1)) - dataset
    sqDiffMat = diffMat ** 2
    sqDistances = sqDiffMat.sum(axis=1)
    distance = sqDistances ** 0.5
    # 距离排序
    sortedDistIndicies = distance.argsort()

    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    sorteClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sorteClassCount[0][0]
group, labels = createDataset()

# 返回预测结果
print(classify0([0, 0], group, labels, 3))