机器学习 & python k-近邻算法

参考自：《Machine Learning In Action》第二章

####################################################33

k-近邻算法概述：

简单地说，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

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。

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.测试算法：计算错误率

5.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-近邻算法判断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计算

########################################################################33

python实现

首先，创建名为kNN.py的Python模块，所有代码都在这个文件中

#!/usr/local/env python
#-*- coding: utf-8 -*-

#科学计算包
from numpy import *
#运算符模块
import operator

#创建数据集和标签
def createDataSet():
	group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
	labels=['A','A','B','B']
	return group,labels

def classify0(inX, dataSet, labels, k):
	 dataSetSize=dataSet.shape[0]
	diffMat=tile(inX, (dataSetSize, 1))-dataSet
	sqDiffMat=diffMat**2
	sqDistances=sqDiffMat.sum(axis=1)
	distances=sqDistances**0.5
	sortedDistIndicies=distances.argsort()
	classCount={}
	for i in range(k):
		voteIlabel=labels[sortedDistIndicies[i]]
		classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
	sortedClassCount=sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
	return sortedClassCount[0][0]

	

进入Python交互式开发环境：

#导入kNN模块
import kNN
#执行命令
group,labels=kNN.createDataSet()

上述命令创建了变量group和labels，在python命令提示符下，输入变量的名字以检验是否正确地定义变量

这里有4组数据，每组数据有两个已知的属性或特征值。

上面的group矩阵每行包含一个不同的数据，可以想象成某个日志文件中不同的测量点或入口。

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。

对未知类别的数据集中的每个点依次执行以下操作：

1.计算已知类别数据集中的点与当前点之间的距离；

2.按照距离递增次序排序

3.选取与当前点距离最小的k个点；

4.确定前k个点所在类别的出现频率；

5.返回前k个点出现频率最高的类别作为当前点的预测分类

执行分类函数命令：

kNN.classify0([0,0], group, labels, 3)

def classify0(inX, dataSet, labels, k)

classify0()函数有4个输入参数：用于分类的输入向量是inX，输入的训练样本集为dataSet，标签向量为labels，最后的参数k表示用于选择最近邻居的数目。

其中标签向量的数目和矩阵dataSet的行数相同

程序使用欧式距离进行度量

        dataSetSize=dataSet.shape[0]
        diffMat=tile(inX, (dataSetSize, 1))-dataSet
	sqDiffMat=diffMat**2
	sqDistances=sqDiffMat.sum(axis=1)
	distances=sqDistances**0.5

计算完所有点之间的距离后，可以对数据按照从小到大的次序排序。然后，确定前k个距离最小元素所在的主要分类

选择距离最小的k个点，并计算属于各类别的数目

        sortedDistIndicies=distances.argsort()
	classCount={}
	for i in range(k):
		voteIlabel=labels[sortedDistIndicies[i]]
		classCount[voteIlabel]=classCount.get(voteIlabel,0)+1

将classCount字典分解成元组列表，然后使用程序第二行导入运算符模块的itemgetter方法，按照第二个元素的次序对元组进行排序

排序

        sortedClassCount=sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
	return sortedClassCount[0][0]

##########################################################

小结：

k-近邻算法是分类数据最简单最有效的算法。

k-近邻算法是基于实例的学习，使用算法时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控件。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-近邻算法的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社么特征