《机器学习实战》学习笔记(三)之K-近邻算法
本文内容:- K-近邻分类算法
- 从文本文件中解析和导入数据
- 使用Matplotlib创建扩散图
- 归一化数值
优点:精度高、对异常值不灵敏、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,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,我们只选取样本集合中前k个最相似的数据(通常k为不大于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。
算法流程:
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:此步骤不适合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,最后对应于计算出的分类执行后续的处理。
PS:
k-近邻算法是分类数据最简单最有效的算法。它基于实例的学习,使用算法时我们必须有接近实际数据的训练样本数据。k-近邻算法必须保存全部数据集,如果训练数据集很大,必须使用大量的存储空间。此外,由于必须对数据集中的每个数据计算距离值,实际使用时可能非常耗时。
k-近邻算法另一个缺陷是它无法给出任何数据的基础结构信息,因此我们也无法知晓平均实例样本和典型实例样本具有什么特征。-->使用概率测量方法处理分类问题,该算法可以解决这个问题。