有监督的学习算法。简而言之,k-近邻算法采用测量不同特征之间的距离方法进行分类。
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。
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.测试数据: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类别,最后应用对计算出的分类执行后续的处理。
test1
- 准备:使用Python导入数据
“kNN.py”
# -*- coding=utf-8 -*-
from numpy import *
import operator #本模块主要包括一些Python内部操作符对应的函数。这些函数主要分为几类:对象比较、逻辑比较、算术运算和序列操作
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
在终端执行:
In[3]import kNN #导入上述模块
In[4]group,labels = kNN.createDataSet()
In[5]: group
Out[5]:
array([[ 1. , 1.1],
[ 1. , 1. ],
[ 0. , 0. ],
[ 0. , 0.1]])
In[6]: labels
Out[6]:
['A', 'A', 'B', 'B']
实施kNN算法
伪代码:
对位置类别属性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
# k-近邻算法
def classify0(inX,dataSet,labels,k): #inX是用于分类的输入向量的inX, dataSet是输入的训练样本集, labels为标签向量, k表示用于选择最近的邻居数目
#计算距离
dataSetSize = dataSet.shape[0]
diffMat = tile(inX,(dataSetSize,1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1) #注释1
distances = sqDistances ** 0.5
sortedDistIndicies = distances.argsort() #注释2
classCount = {}
#选择距离最小的k个点
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) +1 #注释3
#排序
sortedClassCount = sorted(classCount.iteritems(),
key = operator.itemgetter(1),reverse= True) #注释4
return sortedClassCount[0][0]
上面代码用的距离计算是:
代码注释:
1. 我们平时用的sum应该是默认的axis=0 就是普通的相加,而当加入axis=1以后就是将一个矩阵的每一行向量相加,
例如:import numpy as np
np.sum([[0,1,2],[2,1,3]],axis=1)
的结果就是:array([3,6])
2. argsort函数返回的是数组值从小到大的索引值,
例如:x = np.array([3, 1, 2])
np.argsort(x)
结果为:array([1, 2, 0])
3. list.get(k,d)
get相当于一条if…else…语句,参数k在字典中,字典将返回list[k];如果参数k不在字典中则返回参数d,如果K在字典中则返回k对应的value值;
例子:
l = {5:2,3:4}
print l.get(3,0)返回的值是4;
Print l.get(1,0)返回值是0;
4. sorted函数:
sorted(iterable, cmp=None, key=None, reverse=False)
参数解释:
(1)iterable指定要排序的list或者iterable,不用多说;
(2)cmp为函数,指定排序时进行比较的函数,可以指定一个函数或者lambda函数,如:
students为类对象的list,每个成员有三个域,用sorted进行比较时可以自己定cmp函数,例如这里要通过比较第三个数据成员来排序,代码可以这样写:
students = [(‘john’, ‘A’, 15), (‘jane’, ‘B’, 12), (‘dave’, ‘B’, 10)]
sorted(students, key=lambda student : student[2])
(3)key为函数,指定取待排序元素的哪一项进行排序,函数用上面的例子来说明,代码如下:
sorted(students, key=lambda student : student[2])
key指定的lambda函数功能是取元素student的第三个域(即:student[2]),因此sorted排序时,会以students所有元素的第三个域来进行排序。
有了上面的operator.itemgetter函数,也可以用该函数来实现,例如要通过student的第三个域排序,可以这么写:
sorted(students, key=operator.itemgetter(2))
sorted函数也可以进行多级排序,例如要根据第二个域和第三个域进行排序,可以这么写:
sorted(students, key=operator.itemgetter(1,2))
在终端输入:
kNN.classify0([0,0],group,labels,3)