K - 邻近算法

K - 邻近算法

1. 算法描述

K-邻近算法（K Nearest Neighbor, KNN）分类算法，是最简单的机器学习算法。

工作原理：存在一个样本数据集合，也称作训练样本集，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个数据与所属分类对应的关系。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（最邻近）的分类标签。一般来说，我们只选择样本数据集中前k个最相似数据，这就是k-邻近算法中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。

    简单的说，k-邻近算法采用测量不同特征值之间的距离方法进行分类。

2. K - 邻近算法的一般流程

（1）收集数据：可以使用任何方法。比如：通用数据库，网络爬虫等。

（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。

距离计算一般选择欧氏距离：

d = [(xA0 - xB0)2 + (xA1 - xB1)2]1/2

注：计算特征之间的距离时，要将每个特征都归一化，以消除数据差异对结果的影响。公式如下：

newValue = (oldValue - min) / (max - min)

其中min和max分别是数据集中的最小特征值和最大特征值。

（3）分析数据：可以使用任意方法。比如：使用Matplotlib制作原始数据的散点图，以发现特征之间的关系。

（4）训练算法：此步骤不适用于k-邻近算法。

（5）测试算法：计算错误率。

对于分类器来说，错误率就是分类器给出错误结果的次数除以测试数据的总数。

（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-邻近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。

3. Python平台

（1）使用Matplotlib创建散点图

	import matplotlib 
	import matplotlib.pyplot as plt
	fig = plt.figure()
	ax = fig.add_subplot(111)
	ax.scatter(datingDataMat[:,1], datingDataMat[:,2])