k-近邻算法

k-近邻算法概述

简单地说，k-近邻算法采用测量不同特征值之间的距离方式进行分类。

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

工作原理：

存在一个样本数据集合（样本训练集），并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，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，我们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。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

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：此步骤不适用于k-近邻算法。
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。

伪代码

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个点所在的类别出现频率
5.返回前k个点出现频率

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    # 计算欧式距离
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDisIndicies = distances.argsort()
    classCount = {}
    # 选择距离最小的k个点
    for i in range(k):
        voteIlabel = labels[sortedDisIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    #排序
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

inX：分类的输入向量
dataSet：输入的训练样本集
labels：标签向量为
k：表示用于选择最近邻居的数目

归一化特征值

def autoNorm(dataSet) :
      minVals = dataSet.min(0)
      maxVals = dataSet.max(0)
      ranges = maxVals - minVals
      normDataSet = zeros(shape(dataSet))
      m = dataSet.shape[0]
      normDataSet = dataSet - tile(minVals, (m,1))
      normDataSet = normDataSet/tile(ranges, (m,1))
      return normDataSet, ranges, minVals
      

分类器的测试代码

def datingClassTest () :
      hoRatio = 0.10
      datingDataMat,datingLabels = file2matrix('datingTestSet.txt')
      normMat, ranges, minVals = autoNorm(datingDataMat)
      m = normMat.shape[0]
      numTestVecs = int(m*hoRatio)
      errorCount = 0.0
      for i in range(numTestVecs) :
           classifierResult = classify0 (normMat [i,:],normMat[numTestVecs:m,:],\
                       datingLabels[munTestVecs:m],3)
           print "the classifier came back with:%d, the real answer is: %d\
                       % (classifierResult, datingLabels[i])
           if (classifierResult != datingLabels[i]) : errorCount += 1.0
       print "the total error rate is: %f" % (errorCount/float(numTestVecs))