机器学习实战—第2章 k-近邻算法

---

2.1 K-近邻算法概述

---

k-近邻算法

• 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，即知道样本集中每一数据与所属分类的关系。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，只选择样本数据集中前k个最相似的数据，通常k不大于20，选择k个最相似数据中出现次数最多的分类，作为数据的分类。

---

k-近邻算法的一般流程：

• 收集数据：可以使用任何方法
• 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
• 分析数据：可以使用任何方法
• 训练算法：此步骤不适用于k-近邻算法
• 测试算法：计算错误率
• 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

---

# -*- coding: utf-8 -*-
"""
Created on Wed May 24 21:42:55 2017
@name: kNN.py
@author: L. D. Xiao
"""

from numpy import *
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


#================================ kNN算法 ======================================
# kNN对未知类别属性的数据集中的每个点依次执行以下操作：
#     计算已知类别数据集中的点与当前点之间的距离；
#     按照距离递增次序排序；
#     选取与当前点距离最小的k个点；
#     确定前k个点所在类别的出现频率；
#     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
#==============================================================================
def classify0(inX, dataSet, labels,k)