《机器学习实战》学习笔记(三)之K-近邻算法

《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

概述：简单的说，k-近邻算法采用不同特征值之间的距离方法进行分类。
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。