机器学习实战学习笔记（一）：K-近邻算法

K-近邻算法优缺点

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。
• 适用数据范围：数值型和标称型。

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和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，我们只选择样本数据集中前K个最相似的数据，这就是K-近邻算法中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，作为新数据的分类。

例子

电影名称	打斗镜头	接吻镜头	电影类型（Tag）
California Man	3	104	爱情片
He is Not Really into Dudes	2	100	爱情片
Kevin Longblade	101	10	动作片

…

输入一部电影A的信息，我们不知道这部电影是爱情片还是动作片，那么我们可以通过打斗镜头和接吻镜头两个特征，算出电影A与已知电影类型信息（样本集）的距离，取出前K（不大于20）个距离最近的电影样本，看看K个样本中类型最多的，即是电影A的类型。
距离的算法可以根据权重等，将特征标注在坐标中，比如打斗镜头是Y坐标，接吻镜头是X坐标，即可算出距离。

实际中的应用——手写识别系统（识别0 ~ 9）

将手写数据转换成32*32像素图片。0~9每个数有200个带标签的样本，通过将手写数的32*32像素与2000个样本比较，得出向量距离，取前K个，可以得出手写数字的值。

源码Python

略