2021-09-04

KNN 学习笔记

knn K近邻算法原理
K近邻算法：给定一个训练数据集，对新的的输入实例，在训练数据集中找到与该实例最邻近的的K个实例，这K个实例的多数属于某个类，就把该实例分为这个类。

KNN 是 supervised learning， non parametric（无参数） instance-based（基于实例） learning algorithm.

K值选择、距离度量、以及分类决策(一般多数表决)为K近邻算法的三个基本要素。

1. K值选择
   Wikipedia上的KNN词条中有一个比较经典的图如下：
   
   从上图中我们可以看到，图中的有两个类型的样本数据，一类是蓝色的正方形，另一类是红色的三角形。而那个绿色的圆形是我们待分类的数据。

如果K=3，那么离绿色点最近的有2个红色三角形和1个蓝色的正方形，这3个点投票，于是绿色的这个待分类点属于红色的三角形。
如果K=5，那么离绿色点最近的有2个红色三角形和3个蓝色的正方形，这5个点投票，于是绿色的这个待分类点属于蓝色的正方形。

可见K值的选择对分类的结果还是有很大的影响。
2.整体代码

在这里插入代码片
import csv
import random

# 读取数据
with open("Prostate_Cancer.csv", "r") as file:
    reader = csv.DictReader(file)  # reader是一个可迭代的对象
    datas = [row for row in reader]
# for row in reader:  # 有顺序地打印出每一行的数据文件
# print(row)

# 分组,训练组和测试组
random.shuffle((datas))  # 打乱次序，以防每次都是一样的训练集和测试集
n = len(datas) // 3  # 数据总长度整除3

test_set = datas[0:n]
train_set = datas[n:]


# KNN
# 算距离，欧氏距离
def distance(d1, d2):
    res = 0

    for key in ("radius", "texture", "perimeter", "area", "smoothness", "compactness", "symmetry", "fractal_dimension"):
        res += (float(d1[key]) - float(d2[key])) ** 2  # 同一维度的数据相减后平方，最后求和

    return res ** 0.5  # 开方


K = 4


def knn(data):
    # 1.距离
    res = [
        # distance(data, train)  # 找到data和训练项之间的距离
        {"result": train['diagnosis_result'], "distance": distance(data, train)}
        for train in train_set  # 训练项循环一遍
    ]

    # 2.排序--升序
    res = sorted(res, key=lambda item: item['distance'])

    # 3.取前k个
    res2 = res[0:K]

    # 4.加权平均
    result = {'B': 0, 'M': 0}  # 权重为0，离得近的权重高，离得远的权重低

    # 先算出总距离
    sum = 0
    for r in res2:
        sum += r['distance']

    for r in res2:
        result[r['result']] += 1 - r['distance'] / sum  # 计算权重

    if result['B'] > result['M']:
        return 'B'
    else:
        return 'M'


# 测试阶段
# 记录正确的次数，计算准确率

correct = 0
for test in test_set:
    result = test['diagnosis_result']
    result2 = knn(test)  # 预测的结果
    if result == result2:
        correct += 1

print(correct)
print(len(test_set))
print("准确率：{:.2f}%".format(100 * correct / len(test_set)))```