机器学习（0）-K-近邻算法（KNN）

优缺点和适用范围

• 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（离散型数据，变量的结果只在有限目标集中取值）。

原理/数学推理过程

• 存在数据集，且每个数据存在标签，输入没有标签的数据后，计算该数据到所有其他已知类别数据的距离，排序，并取最近的k个（k<20），选择k个数据中出现次数最多的类别作为输入数据的分类

过程代码实现

• 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。

数据和源码

• 最简单的例子

import numpy as np 
import operator

def createDataSet():
    ground = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
    labels = ['A', 'A', 'B', 'B']
    return ground, labels

# 分类算法
def classify0(inX,dataSet,labels,k):
    # 数据长度
    dataSetSize = dataSet.shape[0]
    # 计算inX点与其他所有点的距离，tile方法把inX点修改为矩阵
    diffMat = np.tile(inX, (dataSetSize,1)) - dataSet
    # 计算平方
    sqDiffMat = diffMat ** 2
    # 求和
    sqDistances = sqDiffMat.sum(axis = 1)
    # 求根号
    distance = sqDistances **0.5
    # 排序，并取其index存值
    sortedDistIndicies = distance.argsort()
    classCount = {}
    for i in range(k):
        voteLabel = labels[sortedDistIndicies[i]]
        # 有则+1，无则生成一个
        classCount[voteLabel] = classCount.get(voteLabel,0) + 1
    # 字典的排序
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    # python2下使用classCount.iteritems()代替classCount.items()
    return sortedClassCount[0][0]


if __name__=='__main__':
    group, labels = createDataSet()
    print(classify0([3,3] ,group, labels, 3))

• 改进约会网站配对效果

import operator
import numpy as np
import matplotlib
import matplotlib.pyplot as plt

def createDataSet():
    ground = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
    labels = ['A', 'A', 'B', 'B']
    return ground, labels

# 分类算法
def classify0(inX, dataSet, labels, k):  

    # 数据长度
    dataSetSize = dataSet.shape[0]
    # 计算inX点与其他所有点的激励，tile方法把inX点修改为矩阵
    diffMat = np.tile(inX, (dataSetSize,1)) - dataSet
    # 计算平方
    sqDiffMat = diffMat ** 2
    # 求和
    sqDistances = sqDiffMat.sum(axis = 1)
    # 求根号
    distance = sqDistances **0.5
    # 排序，并取其index存值
    sortedDistIndicies = distance.argsort()
    classCount = {}
    for i in range(k):
        voteLabel = labels[sortedDistIndicies[i]]
        # 有则+1，无则生成一个
        classCount[voteLabel] = classCount.get(voteLabel,0) + 1
    # 字典的排序
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]


# 文本转换为数据
def file2matrix(filename):
    fr = open(filename)
    arrayOlines = fr.readlines()
    numberOfLines = len(arrayOlines)
    # 初始化0矩阵
    returnMat = np.zeros((numberOfLines,3))
    classLabelVector = []
    index = 0 
    for line in arrayOlines:
        # strip() 方法用于移除字符串头尾指定的字符（默认为空格）。
        line = line.strip()
        listFromLine = line.split('\t')
        returnMat[index,:] = listFromLine[0:3]
        # 取倒数第一个数
        classLabelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat, classLabelVector

# 归一化操作
def autoNorm(dataSet):
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    ranges = maxVals-minVals
    normDataSet = np.zeros(np.shape(dataSet))
    m = dataSet.shape[0]
    normDataSet = dataSet-np.tile(minVals,(m,1))
    normDataSet = normDataSet/np.tile(ranges,(m,1))
    return normDataSet,ranges,minVals

# 测试函数
def datingClassTest():
    # 取前面10%的数据用作测试数据
    hoRatio =0.10
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
    normMat, ranges, minVals = autoNorm(datingDataMat)
    m = normMat.shape[0]
    numTestVecs = int(m*hoRatio)
    errorCount = 0.0
    for i in range(numTestVecs):
        classifirerResult = classify0(normMat[i,:], normMat[numTestVecs:m,:], datingLabels[numTestVecs:m],3)
        print('判断类别是%d,正确答案是%d' % (classifirerResult, datingLabels[i]))
        if(classifirerResult != datingLabels[i]):
            errorCount +=1.0
        pass
    pass
    print('错误的个数是%d,错误率是%f' % (errorCount,errorCount/numTestVecs))
if __name__=='__main__':
    # group, labels = createDataSet()
    # classify0([3,3] ,group, labels, 3)
    # datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
    # datingDataMat,ranges,minVals = autoNorm(datingDataMat)
    # fig = plt.figure()
    # ax = fig.add_subplot(111)
    # ax.scatter(datingDataMat[:,0],datingDataMat[:,1],5.0*np.array(datingLabels),15.0*np.array(datingLabels))
    # plt.show()
    datingClassTest()

• 数据
  链接: https://pan.baidu.com/s/1pLVzIcF 密码: ay45