连载笔记| k-近邻算法实战笔记（上）

最新推荐文章于 2022-03-20 21:38:20 发布

机器学习之家

最新推荐文章于 2022-03-20 21:38:20 发布

阅读量374

点赞数

点击上方蓝字可以订阅哦 k-近邻算法实战笔记（上）

目前，机器学习的学习者众多，他们都异口同声地反映了同一个需求：“实战”。鉴于此，小编在此向大家推荐由 csdn博客专家Jack-Cui 撰写的《机器学习实战》系列笔记。今天，给大家分享该学习笔记的第一篇《K-近邻算法》（上）。

《k-近邻算法》笔记内容概要

《k-近邻算法》笔记分上、中、下三篇，将从k-近邻算法的思想开始讲起，使用python3一步一步编写代码进行实战训练。并且，我也提供了相应的数据集，对代码进行了详细的注释。除此之外，也对sklearn实现k-近邻算法的方法进行了讲解。实战实例：电影类别分类、约会网站配对效果判定、手写数字识别。

本文出现的所有代码和数据集，均可在github上下载，欢迎Follow、Star：https://github.com/Jack-Cherish 。欢迎关注作者的知乎专栏《Python3机器学习》。结合本文，南京航空航天大学硕士“深度眸”为大家录制了视频：http://pan.baidu.com/s/1i55VVM1 (密码 qllk)。

本文是《k-近邻算法》笔记上篇。

/Machine-Learning/tree/master/kNN

1、k-近邻法简介

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。

举个简单的例子，我们可以使用k-近邻算法分类一个电影是爱情片还是动作片。

表1 每部电影的打斗镜头数、接吻镜头数以及电影类型

表1 就是我们已有的数据集合，也就是训练样本集。这个数据集有两个特征，即打斗镜头数和接吻镜头数。除此之外，我们也知道每个电影的所属类型，即分类标签。用肉眼粗略地观察，接吻镜头多的，是爱情片。打斗镜头多的，是动作片。

以我们多年的看片经验，这个分类是合理的。如果现在给我一部电影，你告诉我这个电影打斗镜头数和接吻镜头数。不告诉我这个电影类型，我可以根据你给我的信息进行判断，这个电影是属于爱情片还是动作片。而k-近邻算法也可以像我们人一样做到这一点。当然，具体还取决于数据集的大小以及最近邻的判断标准等因素。

2、距离度量

我们已经知道k-近邻算法根据特征比较，然后提取样本集中特征最相似数据(最邻近)的分类标签。那么，如何进行比较呢？比如，我们还是以表1为例，怎么判断红色圆点标记的电影所属的类别呢？如下图所示。

图：电影分类

我们可以从散点图大致推断，这个红色圆点标记的电影可能属于动作片，因为距离已知的那两个动作片的圆点更近。k-近邻算法用什么方法进行判断呢？没错，就是距离度量。这个电影分类的例子有2个特征，也就是在2维实数向量空间，可以使用我们高中学过的两点距离公式计算距离，。

通过计算，我们可以得到如下结果：

(101,20)->动作片(108,5)的距离约为16.55
(101,20)->动作片(115,8)的距离约为18.44
(101,20)->爱情片(5,89)的距离约为118.22
(101,20)->爱情片(1,101)的距离约为128.69

通过计算可知，红色圆点标记的电影到动作片 (108,5)的距离最近，为16.55。如果算法直接根据这个结果，判断该红色圆点标记的电影为动作片，这个算法就是最近邻算法，而非k-近邻算法。那么k-近邻算法是什么呢？

k-近邻算法步骤如下：

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个点所出现频率最高的类别作为当前点的预测分类。

比如，现在我这个k值取3，那么在电影例子中，按距离依次排序的三个点分别是动作片(108,5)、动作片(115,8)、爱情片(5,89)。在这三个点中，动作片出现的频率为三分之二，爱情片出现的频率为三分之一，所以该红色圆点标记的电影为动作片。这个判别过程就是k-近邻算法。

3、Python代码实现

我们已经知道了k-近邻算法的原理，那么接下来就是使用Python3实现该算法，依然以电影分类为例。

(1)准备数据集

对于表1中的数据，我们可以使用numpy直接创建，代码如下：

# -*- coding: UTF-8 -*-
import numpy as np

"""函数说明:创建数据集
Parameters:    无    
Returns:    
group - 数据集    
labels - 分类标签    
Modify:    2017-07-13"""
def createDataSet():
    #四组二维特征
    group = np.array([[1,101],[5,89],[108,5],[115,8]])
    #四组特征的标签
    labels = ['爱情片','爱情片','动作片','动作片']
    return group, labelsif __name__ == '__main__':
    #创建数据集
    group, labels = createDataSet()
    #打印数据集
    print(group)
    print(labels)

运行结果如下

(2)k-近邻算法

根据两点距离公式，计算距离，选择距离最小的前k个点，并返回分类结果。

import operator

"""函数说明:kNN算法,分类器

Parameters:

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: 2017-07-13"""

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

#numpy函数shape[0]返回dataSet的行数

  dataSetSize = dataSet.shape[0]

  #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)

  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

      classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1

   #python3中用items()替换python2中的iteritems()

  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)

  #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)