2.1 k-近邻算法概述
简单的说,k-近邻算法采用测量不同特征值之间的距离方法进行分类
- 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
- 数值型:数值型目标变量则可以从无限的数值集合中取值,如0.100,42.001等 (数值型目标变量主要用于回归分析)
- 标称型: 标称型目标变量的结果只在有限目标集中取值,如真与假(标称型目标变量主要用于分类)
k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是: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。
举例:利用k-近邻算法分类爱情片和动作片
图2-1显示了5部动作电影的打斗和接吻镜头个数,假如有一部未看过的电影,可以使用KNN来确定其为爱情片还是动作片。
图中的?是该未知电影出现的镜头数图形化展示,具体数字见表2-1
通过计算未知电影与样本集中其他电影的距离,可以判断其类型。
按照距离递增排序,可以找到k个距离最近的电影,假设k=3,则距离最近的全是爱情片,可以判断其为爱情片。
k-近邻算法的一般流程:
- 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
距离度量:
2.1.1 准备:使用python导入数据
from numpy import *
import operator # 导入运算符模块
# 创建数据集和标签的函数
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
if __name__ == '__main__':
group, labels = createDataSet()
print(group)
print(labels)
结果:
[[ 1. 1.1]
[ 1. 1. ]
[ 0. 0. ]
[ 0. 0.1]]
['A', 'A', 'B', 'B']
2.1.2 从文本文件中解析数据
利用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:
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个点出现频率最高类别作为当前点的预测分类
import numpy as np
import operator
"""
函数说明:KNN算法,文本分类
Parameters:
inX:用于分类的数据(测试集)
dataSet:用于训练的数据(训练集)
labels:分类标签
k:kNN算法参数,选择距离最小的k个点
returns:
分类结果
modify:
2018-03-08
"""
def classify0(inX,dataSet,labels,k):
#numpy函数shape[0]返回dataSet行数
dataSetSize=dataSet.shape[0]
#在列向量方向上重复inX一次(横向),在行向量方向上重复inX共dataSetSize次(纵向)
#numpy.tile([0,0],(1,1))#在列方向上重复[0,0]1次,行1次 >>>array([[0, 0]])
diffMat=np.tile(inX,(dataSetSize,1))-dataSet
#二维特征相减后平方
sqDiffMat=diffMat**2
#sum()所有元素相加,sum(0)列相加,sum(1)行相加
sqDistances=sqDiffMat.sum(axis=1)
#开方,计算出距离
distances=sqDistances**0.5
#返回distances中元素从小到大排序后的索引值
sortedDistIndices=distances.argsort()
#定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]]
#计算类别次数
# 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。
classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
#key=operator.items(1)根据字典的值进行排序
#key=operator.items(0)根据字典的键值进行排序
#reverse降序排序字典
sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
#返回次数最多的类别,即所要分类的类别
return sortedClassCount[0][0]
其中,标签向量的元素数目和矩阵dataSet行数相同,上述程序中使用欧氏距离公式,计算两个向量点之间的距离。
整体程序示例:
结果:
```python
import numpy as np
import operator
"""
函数说明:KNN算法,文本分类
Parameters:
inX:用于分类的数据(测试集)
dataSet:用于训练的数据(训练集)
labels:分类标签
k:kNN算法参数,选择距离最小的k个点
returns:
分类结果
modify:
2018-03-08
"""
def createDataSet():
group = np.array([[1, 101], [5, 89], [108, 0], [108, 5]])
labels = ['爱情片','爱情片', '动作片', '动作片']
return group, labels
def classify0(inX,dataSet,labels,k):
#numpy函数shape[0]返回dataSet行数
dataSetSize=dataSet.shape[0]
#在列向量方向上重复inX一次(横向),在行向量方向上重复inX共dataSetSize次(纵向)
#numpy.tile([0,0],(1,1))#在列方向上重复[0,0]1次,行1次 >>>array([[0, 0]])
diffMat=np.tile(inX,(dataSetSize,1))-dataSet
#二维特征相减后平方
sqDiffMat=diffMat**2
#sum()所有元素相加,sum(0)列相加,sum(1)行相加
sqDistances=sqDiffMat.sum(axis=1)
#开方,计算出距离
distances=sqDistances**0.5
#返回distances中元素从小到大排序后的索引值
sortedDistIndices=distances.argsort()
#定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]]
#计算类别次数
# 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。
classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
#key=operator.items(1)根据字典的值进行排序
#key=operator.items(0)根据字典的键值进行排序
#reverse降序排序字典
sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
#返回次数最多的类别,即所要分类的类别
return sortedClassCount[0][0]
if __name__ == '__main__':
#创建数据集
group, labels = createDataSet()
#测试集
test = [101,20]
#kNN分类
test_class = classify0(test, group, labels, 3)
#打印分类结果
print(test_class)
输出:
动作片
看到这里,有人可能会问:“分类器何种情况下会出错?”或者“答案是否总是正确的?”答案是否定的.
分类器并不会得到百分百正确的结果,我们可以使用多种方法检测分类器的正确率。此外分类器的性能也会受到多种因素的影响,如分类器设置和数据集等。不同的算法在不同数据集上的表现可能完全不同。
为了测试分类器的效果,我们可以使用已知答案的数据,当然答案不能告诉分类器,检验分类器给出的结果是否符合预期结果。通过大量的测试数据,我们可以得到分类器的错误率-分类器给出错误结果的次数除以测试执行的总数。
错误率是常用的评估方法,主要用于评估分类器在某个数据集上的执行效果。完美分类器的错误率为0,最差分类器的错误率是1.0。同时,我们也不难发现,k-近邻算法没有进行数据的训练,直接使用未知的数据与已知的数据进行比较,得到结果。因此,可以说k-邻近算法不具有显式的学习过程。