kNN简易分类

kNN优势：对于异常数据不敏感因为分类情况由大多数点决定，

      劣势：如果选定更多的邻居，会让空间复杂度和计算复杂度很高

from numpy import *
import operator

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

def classify0(inX,dataSet,labels,k):
    #三个参数分别是需要进行归类的点[a,b] k 是最近邻居数目
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX,(dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistance = sqDiffMat.sum(axis=1)
    distance = sqDistance**0.5
    sortedDistIndicies = distance.argsort()
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        sortedClassCount = sorted(classCount.items(),#3.5中：iteritems turn to items
                                  key = operator.itemgetter(1), reverse = True)
        return sortedClassCount[0][0]

简单的kNN自己生成数据并且输出

在命令行中进入python或者是idle中调试里面

首先收入import kNN将我们写的这个程序导入

接着用

group,labels = kNN.createDataSet()

来生成数据

接着调用classify0（）函数来进行分类

kNN.classify0([1,1],group,labels,3)

>>> import kNN
>>> group,labels = kNN.createDataSet()
>>> group
array([[1. , 1.1],
       [1. , 1. ],
       [0. , 0. ],
       [0. , 0.1]])
>>> labels
['A', 'A', 'B', 'B']
>>> kNN.classify0([1.1],group,labels,3)
'A'