k邻近算法python代码_机器学习经典分类算法 —— k-近邻算法（附python实现代码及数据集）...

[toc]

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)的分类特征。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。

举个例子，现在我们用k-近邻算法来分类一部电影，判断它属于爱情片还是动作片。现在已知六部电影的打斗镜头、接吻镜头以及电影评估类型，如下图所示。

现在我们有一部电影，它有18个打斗镜头、90个接吻镜头，想知道这部电影属于什么类型。根据k-近邻算法，我们可以这么算。首先计算未知电影与样本集中其他电影的距离(先不管这个距离如何算，后面会提到)。现在我们得到了样本集中所有电影与未知电影的距离。按照距离递增排序，可以找到k个距离最近的电影。

现在假定k=3，则三个最靠近的电影依次是He's Not Really into Dudes、Beautiful Woman、California Man。

k-近邻算法按照距离最近的三部电影的类型，决定未知电影的类型，而这三部电影全是爱情片，因此我们判定未知电影是爱情片。

python实现

首先编写一个用于创建数据集和标签的函数，要注意的是该函数在实际用途上没有多大意义，仅用于测试代码。

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

然后是函数classify0()，该函数的功能是使用k-近邻算法将每组数据划分到某个类中，其伪代码如下：

对未知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。

Python代码如下:

def classify0(inX, dataSet, labels, k):

dataSetSize = dataSet.shape[0] # shape[0]表示矩阵有多少行 shape[1]表示矩阵有多少列

diffMat = tile(inX, (dataSetSize,1)) - dataSet # 计算Ai-Bi

sqDiffMat = diffMat**2 #计算(Ai-Bi)^2

sqDistances = sqDiffMat.sum(axis=1) # 计算(A0-B0)^2+...+(Ai-Bi)^2

distances = sqDistances**0.5 # 计算((A0-B0)^2+...+(Ai-Bi)^2)^0.5 也就