机器学习之旅（一）：k-近邻算法（kNN）

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