数据挖掘十大经典算法(八) kNN: k-nearest neighbor classification

　K最近邻(KNN，K-NearestNeighbor)分类算法：所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻居来代表。

　　核心思想：如果一个样本在特征空间中的K个最相邻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，并具有这个类别上样本的特性。

对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

　　KNN算法不仅可以用于分类，还可以用于回归。通过找出一个样本的K个最近邻居，将这些邻居的属性的平均值赋给该样本，就可以得到该样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的权值(weight)，如权值与距离成反比。

算法过程：

　 1. 准备数据，对数据进行预处理。

　　2. 选用合适的数据结构存储训练数据和测试元组。

　　3. 设定参数，如K。

　　4.维护一个大小为K的的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取K个元组作为初始的最近邻元组，分别计算测试元组到这K个元组的距离，将训练元组标号和距离存入优先级队列。

　　5. 遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L与优先级队列中的最大距离Lmax。

　　6. 进行比较。若L>=Lmax，则舍弃该元组，遍历下一个元组。若L<Lmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。

　　7. 遍历完毕，计算优先级队列中K个元组的多数类，并将其作为测试元组的类别。

　　8. 测试元组集测试完毕后计算误差率，继续设定不同的K值重新进行训练，最后取误差率最小的K值。

优点

　　1.简单，易于理解，易于实现，无需估计参数，无需训练；

　　2. 适合对稀有事件进行分类；

　　3.特别适合于多分类问题(multi-modal,对象具有多个类别标签)， KNN比SVM的表现要好。

　　缺点

　　该算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。 该算法只计算“最近的”邻居样本，某一类的样本数量很大，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本。无论怎样，数量并不能影响运行结果。

　　该方法的另一个不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。

　　可理解性差，无法给出像决策树那样的规则。

改进：

分类效率：事先对样本属性进行约简，删除对分类结果影响较小的属性，快速的得出待分类样本的类别。该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。

分类效果：采用权值的方法（和该样本距离小的邻居权值大）来改进，Han等人于2002年尝试利用贪心法，针对文件分类实做可调整权重的K最近邻居法WAKNN (weighted adjusted K nearest neighbor)，以促进分类效果；而Li等人于2004年提出由于不同分类的文件本身有数量上有差异，因此也应该依照训练集合中各种分类的文件数量，选取不同数目的最近邻居，来参与分类。