机器学习之旅(一):k-近邻算法(kNN)
k-近邻算法工作原理
存在一个训练样本集,样本集中每个样本都有标签,已经事先知道每个样本的所属分类。输入新样本后(无标签),将新样本的每个特征与样本集中样本对应的特征进行比较,提取样本集中特征最相似(最近邻)的前K个分类标签,取出现次数最多的标签,作为新样本所属的分类。
k-近邻算法采用测量不同特征值之间的距离方法进行分类
- 优点:精度高、对异常值不敏感、无数据输入假定。
- 缺点:计算复杂度高、空间复杂度高。
- 使用数据范围:数值型和标称型。
k-近邻算法的一般流程
(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:此步骤不适用于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,最后应用对计算出的分类执行后续的处理。
首先是k-邻近算法的代码
from numpy import *
import operator
def classify0(inX,dataSet,labels,k):
#k-邻近算法代码
dataSetSize = dataSet.shape[0]
#shape[0]返回dataSet有多少行,shape[1]返回dataSet有多少列
diffMat = tile(inX,(dataSetSize,1)) - dataSet
#tile(a,(x,y))表示数组或阵列a向下重复x行,向右重复y列
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
#sum(axis=1)表示每个向量相加,如[[1,2,3],[4,5,6]]运算得出[6,15]
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort()
#argsort()表示将数组中的元素从小到大排列,提取其对应的index(索引),然后输出
#如[3,9,5,2,7]运算得出[1,4,2,0,3]
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
#对选取的K个样本所属的类别个数进行统计
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#选取出现的类别次数最多的类别
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
#operator.itemgetter(1)返回对象第一个域的值,即key值
#reverse=True表示降序排列
return sortedClassCount[0][0]
通过一组数据来简单验证k-邻近算法
def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0.2],[0,0.1]])
labels = ['A','A','B','B']
return group,labels
group,labels = createDataSet()
print(group)
print(labels)
打印结果
[[ 1. 1.1]
[ 1. 1. ]
[ 0. 0.2]
[ 0. 0.1]]
['A', 'A', 'B', 'B']
这里四组数据,每两组数组有两个我们已知的属性或者特征值。向量labels包含了每个数据点的标签信息,labels包含的元素个数等于group矩阵行数。这里我们将数据点(1,1)定义为类A,数据点(0,0.1)定义为类B。通过散点图可以更直观的看出四组数据的位置分布
现在输入一组数据来进行测试
print(kNN.classify0([0,0],group,labels,3))
得到结果为
B
通过上面的散点图可以直接判断该结果我们所预期的结果