【机器学习实验一】K-近邻算法

目录

 

1、K-近邻算法原理

2、K- 近邻算法流程

3、K-近邻算法引例 

4、K值的选择

5、实验过程

---

1、K-近邻算法原理

k-近邻(k-Nearest Neighbor，kNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
所谓k近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的k个实例（也就是上面所说的k个邻居，这k个实例的多数属于某个类，就把该输入实例分类到这个类中。因为是做决策，所以k的取值为单数）
 

2、K- 近邻算法流程

1. 计算已知类别数据集中的点与当前点之间的距离
2. 按距离递增次序排序
3. 选取与当前点距离最小的k个点
4. 统计前k个点所在的类别出现的频率
5. 返回前k个点出现频率最高的类别作为当前点的预测分类

3、K-近邻算法引例 

 如上图所示，有两类不同的样本数据，分别用蓝色的小正方形和红色的小三角形表示，而图正中间的那个绿色的圆所标示的数据则是待分类的数据。这也就是我们的目的，来了一个新的数据点，我要得到它的类别是什么？好的，下面我们根据k近邻的思想来给绿色圆点进行分类。

• 如果K=3，绿色圆点的最邻近的3个点是2个红色小三角形和1个蓝色小正方形，少数从属于多数，基于统计的方法，判定绿色的这个待分类点属于红色的三角形一类。
• 如果K=5，绿色圆点的最邻近的5个邻居是2个红色三角形和3个蓝色的正方形，还是少数从属于多数，基于统计的方法，判定绿色的这个待分类点属于蓝色的正方形一类。

 4、K值的选择

1) 选择较小的K值，就相当于用较小的领域中的训练实例进行预测，“学习”近似误差会减小，只有与输入实例较近或相似的训练实例才会对预测结果起作用，与此同时带来的问题是“学习”的估计误差会增大，换句话说，K值的减小就意味着整体模型变得复杂，容易发生过拟合；

2) 选择较大的K值，就相当于用较大领域中的训练实例进行预测，其优点是可以减少学习的估计误差，但缺点是学习的近似误差会增大。这时候，与输入实例较远（不相似的）训练实例也会对预测器作用，使预测发生错误，且K值的增大就意味着整体的模型变得简单。

3) K=N（N为训练样本个数），则完全不足取，因为此时无论输入实例是什么，都只是简单的预测它属于在训练实例中最多的类，模型过于简单，忽略了训练实例中大量有用信息。

在实际应用中，K值一般取一个比较小的数值，例如采用交叉验证法（简单来说，就是把训练数据在分成两组:训练集和验证集）来选择最优的K值。

小结：

• K值过小：
  • 容易受到异常点的影响
  • 容易过拟合
• k值过大：
  • 受到样本均衡的问题
  • 容易欠拟合

5、实验过程

调用 kNN.classify0(inX, dataSet, labels, k) 函数，其函数用法如下：

kNN.classify0(inX, dataSet, labels, k)
其中，参数：
inX: 测试集(1xN)
dataSet: 输入的样本集(NxM)
labels: 标签 (1xM vector)
k: 选择最近邻的数据

kNN.py 子函数文件 

from numpy import *
import operator
from os import listdir

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()
    classCount={}
    for i in range(k): # 投票
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

Main.py 主函数文件

from numpy import *
import kNN

group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
labels = ['A', 'A', 'B', 'B']
dataSet=group

inX=[0,0]
k=3
print("dataSet=",group)
print("labels=",labels)
print("k=",k)
# 调用kNN.classify0()函数
# inX 测试集(1xN)
# dataSet 输入的样本集(NxM)
# labels 标签 (1xM vector)
# k 选择最近邻的数据
result=kNN.classify0(inX, dataSet, labels, k)
# 打印结果
print("testdata=",inX)
print("result=",result)

运行结果