概述:
电影可以按照题材分类,然而题材本身又是如何定义的呢?基于不同场景在电影出现的次数,使用k-近邻算法构造程序,自动划分电影类型。
简单地说,k-近邻算法采用测量不同特征值之间距离的方法进行分类。
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。
算法原理:
存在一个样本数据集合,也称为训练样本集,样本中每个数据都存在标签,即我们知道样本中每一数据与分类中的对应关系。输入没有分类的新数据后,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。然后提取最相近的分类标签。
算法实施:
在kNN.py文件添加以下代码:
from numpy import *
import operator
from os import listdir
def classify0(inX, dataSet, labels, k):
#四个参数 分别为 输入向量 输入样本集 标签向量 最近相邻数目k
dataSetSize = dataSet.shape[0]
#样本集的大小,即矩阵的行数。
#[见我的tile函数介绍](http://blog.csdn.net/u010956473/article/details/72834086 "tile函数")
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort()
#见argsort()介绍
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
下面是我的测试代码:
from numpy import *
import operator
group=array([[1.0,1.1],[1.0,1.0],[0.0,0.0],[0.0,0.1]])
labels=['A','A','B','B']
datasetsize=group.shape[0]
print(datasetsize)
diffMat=tile([0,0], (4,1))-group
print (diffMat)
sqDiffmat=diffMat**2
print(sqDiffmat)
sqDistances=sqDiffmat.sum(axis=1)
print(sqDistances)
distances=sqDistances**0.5
print(distances)
sortedDistIndices=distances.argsort()
print(sortedDistIndices)
classcount={}
print(sortedDistIndices[0])
print(sortedDistIndices[1])
print(sortedDistIndices[2])
print(labels[2])
print(labels[3])
print(labels[1])
classcount={}
for i in range(3):
votellabel=labels[sortedDistIndices[i]]
classcount[votellabel]=classcount.get(votellabel,0)+1
sortedclasscount=sorted(classcount.items(),key=operator.itemgetter(1),reverse=True)
print (classcount)
print(sortedclasscount[0][0])
4
[[-1. -1.1]
[-1. -1. ]
[ 0. 0. ]
[ 0. -0.1]]
[[ 1. 1.21]
[ 1. 1. ]
[ 0. 0. ]
[ 0. 0.01]]
[ 2.21 2. 0. 0.01]
[ 1.48660687 1.41421356 0. 0.1 ]
[2 3 1 0]
2
3
1
B
B
A
{'B': 1}
B
{'B': 2}
B
{'B': 2, 'A': 1}
B