KNN近邻算法总结

K-近邻算法

1.什么是K近邻算法

K近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

 

2.分类结果的决定因素

（1）K为近邻的对象个数，结果影响取决于K的值。

（2）测试样本的准确度与分布情况。

如下图，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。由此也说明了KNN算法的结果很大程度取决于K的选择。

3.模型构建基础

近邻分类模型的算法基于“距离”二字，取得K个与其最为临近的样本坐标进行分类匹配，距离公式有欧式距离，曼哈顿距离，切比雪夫等等距离公式将近10多余种类。

 

（1）欧式距离

欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。

(1)二维平面上两点a(x1,y1)与b(x2,y2)间的欧氏距离：

(2)三维空间两点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离：

(3)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的欧氏距离：

 

（2）曼哈顿距离

从名字就可以猜出这种距离的计算方法了。想象你在曼哈顿要从一个十字路口开车到另外一个十字路口，驾驶距离是两点间的直线距离吗？显然不是，除非你能穿越大楼。实际驾驶距离就是这个“曼哈顿距离”。而这也是曼哈顿距离名称的来源，曼哈顿距离也称为城市街区距离(CityBlock distance)。

(1)二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离

(2)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的曼哈顿距离

绿色为：欧式距离 即两点最短距离

其他颜色为：曼哈顿距离

 

（3）切比雪夫距距离

在平面几何中，若二点p及q的直角坐标系坐标为及，则切比雪夫距离为：

玩过国际象棋的朋友或许知道，国王走一步能够移动到相邻的8个方格中的任意一个。那么国王从格子(x1,y1)走到格子(x2,y2)最少需要多少步？。你会发现最少步数总是max( | x2-x1 | , | y2-y1 | ) 步 。有一种类似的一种距离度量方法叫切比雪夫距离。

(1)二维平面两点a(x1,y1)与b(x2,y2)间的切比雪夫距离 

(2)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的切比雪夫距离 　　

 

4.模型构建方式

1）计算测试数据与各个训练数据之间的距离；

2）按照距离的递增关系进行排序；

3）选取距离最小的K个点；

4）确定前K个点所在类别的出现频率；

5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。

利用欧式距离制作分类器

需求：

判断如下属性的人是不是小丽喜欢的人

依据三个属性来判断：

1.每年万游戏时间的百分比

2.每年喝饮料的公升数

3.每年出行旅游的旅程数

类别为：

1.喜欢 2.非常喜欢 3.不喜欢

小丽给出了自己喜欢的一些标准数据

 

python3实现的代码 

#-*-coding:utf-8 -*-
from numpy import *
import operator
import matplotlib
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import operator

#读取文件数据
def file2matrix(filename):
    fr=open(filename)#打开文件
    arrayOLines=fr.readlines()#将文件读入一个字符串列表，在列表中每个字符串就是一行
    numberOFlines=len(arrayOLines)#读入字符串列表的数量，即文件的行数
    returnMat=zeros((numberOFlines,3))#创建numberOFlines行3列的numpy矩阵
    classLabelVector=[]#创建标签数组
    index=0
    for line in arrayOLines:
        line=line.strip()#删除每行两侧的空格
        listFormLine=line.split('\t')#将每行的字符串列表以‘\t’为间隔分为序列
        returnMat[index,:]=listFormLine[0:3]#将每一行数据存入returnMat数组中
        classLabelVector.append(int(listFormLine[-1]))#将每一行的最后一列即标签存入classLabelVector中
        index+=1
    return returnMat,classLabelVector#返回样本特征矩阵与标签向量

#归一化数据
def autoNorm(dataset):
    minVals=dataset.min(0)#列中最小值
    maxVals=dataset.max(0)#列中的最大值
    ranges=maxVals-minVals
    normDataSet=zeros(shape(dataset))#创建与样本特征矩阵同大小的数值全是0的矩阵
    m=dataset.shape[0]#m是dataset的列数，即样本特征的维数
    normDataSet=dataset-tile(minVals,(m,1))#tile()是将minVals复制成m行3列，即与dataset同大小的矩阵
    normDataSet=normDataSet/tile(ranges,(m,1))
    return normDataSet,ranges,minVals#返回归一化的样本特征矩阵，范围，每列最小值

#K近邻分类
def classify(inX,dataSet,labels,k):
    dataSetSize=dataSet.shape[0]#读取样本的特征矩阵的维数
    diffMat=tile(inX,(dataSetSize,1))-dataSet#计算测试数据与每一个样本特征矩阵的欧氏距离
    sqDiffMat=diffMat**2
    sqDistances=sqDiffMat.sum(axis=1)#每一行的相加
    distances=sqDistances**0.5
    sortedDistIndicies=distances.argsort()#测试数据与每一个样本特征矩阵的欧氏距离从小到大排列后，将原样本的索引值赋值给sortedDistIndicies
    classCount={}#创建字典
    for i in range(k):
        voteIlabel=labels[sortedDistIndicies[i]]#将sortedDistIndicies相对应的标签赋值给voteIlabel
        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1#get是取字典里的元素，
                              #如果之前这个voteIlabel是有的，那么就返回字典里这个voteIlabel里的值，
                              #如果没有就返回0（后面写的），这行代码的意思就是算离目标点距离最近的k个点的类别，
                        #这个点是哪个类别哪个类别就加1
        sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
		#key=operator.itemgetter(1)的意思是按照字典里的第一个排序，
        #{A:1,B:2},要按照第1个（AB是第0个），即‘1’‘2’排序。reverse=True是降序排序
        return sortedClassCount[0][0]#返回发生频率最高的元素标签



def classifyPerson():
   resultList=['not at all','in small doses','in large doses']
   percentTats=float(input("percentage of time spent playing vidio games?"))
   ffMines=float(input("frequent flier miles earned per year?"))
   iceCream=float(input("liters of ice cream consumed per year?"))

   datingDataMat,datingLabels=file2matrix('datingTestSet.txt')

   normMat,ranges,minVals=autoNorm(datingDataMat)
   inArr=array([ffMines,percentTats,iceCream])
   classifierResult=classify((inArr-minVals)/ranges,normMat,datingLabels,3)
   print("你对这个人的喜欢程度:",resultList[classifierResult - 1])

   dataArr = array(datingDataMat)
   n = shape(dataArr)[0]
   xcord1 = []; ycord1 = [];zcord1=[]
   xcord2 = []; ycord2 = [];zcord2=[]
   xcord3 = []; ycord3 = [];zcord3=[]
   for i in range(n):
      if int(datingLabels[i])== 1:
         xcord1.append(dataArr[i,0]); ycord1.append(dataArr[i,1]);zcord1.append(dataArr[i,2])
      elif int(datingLabels[i])== 2:
         xcord2.append(dataArr[i,0]); ycord2.append(dataArr[i,1]);zcord2.append(dataArr[i,2])
      elif int(datingLabels[i])== 3:
         xcord3.append(dataArr[i,0]); ycord3.append(dataArr[i,1]);zcord3.append(dataArr[i,2])
   fig = plt.figure()
   ax = fig.add_subplot(111, projection='3d')
   ax.set_title('KNN')
   type1=ax.scatter(xcord1, ycord1,zcord1, s=30, c='red', marker='s')
   type2=ax.scatter(xcord2, ycord2,zcord2, s=30, c='green',marker='o')
   type3=ax.scatter(xcord3, ycord3,zcord3, s=30, c='b',marker='+')
   ax.scatter(inArr[0], inArr[1],inArr[2], s=100, c='k', marker='8')
   plt.figtext(0.02,0.92,'class1:Did Not Like',color='red')
   plt.figtext(0.02,0.90,'class2:Liked in Small Doses',color='green')
   plt.figtext(0.02,0.88,'class3:Liked in Large Doses',color='b')

   ax.set_zlabel('frequent flier miles earned per year')
   ax.set_ylabel('percentage of time spent playing vidio games')
   ax.set_xlabel('liters of ice cream consumed per year')

   plt.show()

测试代码

#coding:utf-8

from numpy import *
import operator
from collections import Counter
import matplotlib
import matplotlib.pyplot as plt
import d3
d3.classifyPerson()

测试样本

40920	8.326976	0.953952	1
14488	7.153469	1.673904	2
26052	1.441871	0.805124	3
75136	13.147394	0.428964	3
38344	1.669788	0.134296	3
72993	10.141740	1.032955	3
35948	6.830792	1.213192	1
42666	13.276369	0.543880	1
67497	8.631577	0.749278	3
35483	12.273169	1.508053	1
50242	3.723498	0.831917	3
63275	8.385879	1.669485	3
5569	4.875435	0.728658	2
51052	4.680098	0.625224	3
77372	15.299570	0.331351	3
43673	1.889461	0.191283	3
61364	7.516754	1.269164	3
69673	14.239195	0.261333	3
15669	0.000000	1.250185	2
28488	10.528555	1.304844	1
6487	3.540265	0.822483	2
37708	2.991551	0.833920	3
22620	5.297865	0.638306	2
28782	6.593803	0.187108	1
19739	2.816760	1.686209	2
36788	12.458258	0.649617	1
5741	0.000000	1.656418	2
28567	9.968648	0.731232	1
6808	1.364838	0.640103	2

5.优缺点总结
优点： 
1.简单好用，容易理解，精度高，理论成熟，既可以用来做分类也可以用来做回归； 
缺点： 
1.一般数值很大的时候不用这个，计算量太大。但是单个样本又不能太少 否则容易发生误分。 
2.最大的缺点是无法给出数据的内在含义，只是单纯意义上的寻找临近分类。