机器学习篇（一）1.1 K~近邻算法KNN

1.1K~近邻算法（近邻算法简单的实现分类器）

最近写了下机器学习的k~近邻算法代码里写的比较清楚了可以直接看代码注释进行学习，一步步都有输出提示简明易懂。
这里只写下近邻算法的主要思想和过程：存在一个样本数据集合，也称作为训练样本集，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个数据与所属分类的对应关系。输入没有标签的新数据后，将新的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。

图为两点间距离公式
k-近邻算法步骤如下：

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个点所出现频率最高的类别作为当前点的预测分类。

import numpy as np
import operator
def createDataSet():
    group=np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) #样本特征值
    labels=['A','A','B','B']    #标签量
    return group,labels
if __name__ == '__main__':
    #创建数据集
    group, labels = createDataSet()
    #打印数据集
    print('训练集：',group)
    print('标签量：',labels)
"""
函数说明:kNN算法,分类器

Parameters(参数):
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果

Modify:
    2020-03-28
"""
def classify0(inX, dataSet, labels, k):
    #numpy函数shape[0]返回dataSet的行数，例如矩阵为4*2的，dataSet.shape[1]=2.
    dataSetSize = dataSet.shape[0]
    print('训练集的行数：',dataSetSize)


    #重复训练数组来扩充数组，A=([1,2]);B=np.tile(A,(2,1));意思是行向量重复2次，列向量不变，B变成了2行2列的数组
    # 在列向量方向上重复inX共1次(横向)，行向量方向上重复inX共dataSetSize次(纵向)
    print('将测试点扩充到训练集同维数后：',np.tile(inX, (dataSetSize, 1)))
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet#这里就是计算了下输入点距离四个样本点特征值的距离
    print('测试点到训练集内各点的距离（x-x0,y-y0）:',diffMat)
    #可以看到输入测试数据是[101,20],重复过后diffMat是
    '''    [[100.   18.9]
            [100.   19. ]
            [101.   20. ]
            [101.   19.9]]'''

    #二维特征相减后平方
    sqDiffMat = diffMat**2
    print('[(x-x0)**2,(y-y0)**2]为：',sqDiffMat)

    #sum()所有元素相加，sum(0)列相加，sum(1)行相加
    sqDistances = sqDiffMat.sum(axis=1)
    print('x与y相加：',sqDistances)
    #开方，计算出距离
    distances = sqDistances**0.5
    print('开方求出距离存储到距离数组里：',distances)
    #返回distances中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    print('距离数组里距离从小到大排序后的索引值（即对应的类别0-A,1-A,2-B,3-B）：',sortedDistIndices)
    #定义一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        #取出前k个元素的类别
        voteIlabel = labels[sortedDistIndices[i]]
        print('取出前k个标签量，第{}个标签量为：'.format(i+1),voteIlabel)
        #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
        #计算类别次数
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        print('建立键值对为类别-出现次数的字典键值对：',classCount[voteIlabel])
    print('类别字典：',classCount)
    #python3中用items()替换python2中的iteritems()
    #key=operator.itemgetter(1)根据字典的值进行排序
    #key=operator.itemgetter(0)根据字典的键进行排序
    #reverse降序排序字典
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    print('降序排序的字典：',sortedClassCount)
    #返回次数最多的类别,即所要分类的类别
    print('取出排序后字典里出现最多的类别关键字：',sortedClassCount[0][0])
    return sortedClassCount[0][0]

if __name__ == '__main__':
    #创建数据集
    group, labels = createDataSet()
    #测试集
    test = [0.2,0.3]
    #kNN分类
    test_class = classify0(test, group, labels, 3)
    #打印分类结果
    print('分类结果为：',test_class)