【Python机器学习】k-近邻算法简单实践——电影分类

k-近邻算法（KNN）的工作原理是：存在一个样本数据集合，也被称为训练样本集，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数据与所属分类的对应关系，输入没有标签的数据后，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出现次数最多的分类，作为新数据分类。

分类场景：通过电影中打斗镜头和接吻镜头，使用k-近邻算法分类爱情片和动作片。

参考数据：

电影名称	打斗镜头	接吻镜头	电影类型
aaa	3	104	爱情片
bbb	2	100	爱情片
ccc	1	81	爱情片
ddd	101	10	动作片
eee	99	5	动作片
fff	98	2	动作片
zzzzz	18	90	？？？

k近邻算法的一般流程：

1、收集数据

2、准备数据

3、分析数据

4、训练算法

5、测试算法

6、使用算法

准备：使用Python导入数据

首先，导入所需模块：

from numpy import *
import operator

第一个是科学计算包Numpy；第二个是运算符模块。

然后创建createDataSet函数，它创建数据集合标签：

def createDataSet():
    group=array([[3,104],[2,100],[1,81],[101,10],[99,5],[98,2]])
    labels=['A','A','A','B','B','B']
    return group,labels

这里有6组数据，每组数据有2个已知属性/特征值。

实施kNN分类算法：

运行kNN算法，为每组数据分类：首先，k-近邻算法伪代码：

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队；

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。

实际Python代码：

def classify0(inX,dataSet,lables,k):
    dataSetSize=dataSet.shape[0]
    #举例计算
    diffMat=tile(inX,(dataSetSize,1))-dataSet
    sqDiffMat=diffMat**2
    sqDistinaces=sqDiffMat.sum(axis=1)
    distances=sqDistinaces**0.5
    sortedDistIndicies=distances.argsort()
    #选择举例最小的前k个点
    classCount={}
    for i in range(k):
        voteIlabel=lables[sortedDistIndicies[i]]
        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
        #print(classCount)
    #排序
    sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]

classify0()函数有4个输入参数：用于分类的输入向量是inX，输入的训练样本集为dataSet，标签向量为labels，最后的参数k表示用于选择最近邻居的数目，其中标签向量的元素数目和矩阵dataSet的行数相同。

计算完所有点之间的距离后，可以对数据按照从小到大的次序排序。然后，确定前k个距离最小元素所在的主要分类，输入k总是正整数；最后，将classCount字典分解为元组列表，然后使用程序第2行导入运算符模块的itemgetter方法，按照第二个元素的次序对元组进行排序。

实际运行：

group,lables=createDataSet()
print(classify0([18,90],group,lables,3))