1.k-近邻算法概述
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、空间复制度高。
适用数据范围:数值型和标称型
2.k-近邻算法原理
存在一个样本数据集合,也称作样本数据集,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,然后算法提取样本集中特征最相似数据(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。
3.代码小示例
# coding:utf-8
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):
datasetsize = dataset.shape[0]
diffmat = tile(inX, (datasetsize, 1)) - dataset
sqdiffmat = diffmat ** 2
sqdistance = sqdiffmat.sum(axis=1)
distances = sqdistance ** 0.5
sorteddistances = distances.argsort() # 这一步最关键,以值升序排列然后得出值所在原来数组的索引
classcount = {}
for i in range(k):
votelabels = labels[sorteddistances[i]]
classcount[votelabels] = classcount.get(votelabels, 0) + 1
sortedclasscount = sorted(classcount.items(), key=operator.itemgetter(1), reverse=True)
return sortedclasscount[0][0]
dataset, labels = createDataSet()
inX = (0.2, 0.1)
print(classify0(inX, dataset, labels, 2))
# 注意,如果是python2,上文第22行中的classcount.items()
4.归一化
将所有特征值的权重归为一
具体计算公式:
newvalue = (oldvalue - min)/(max - min)
5.文中还有婚姻配对、手写数字识别
这里不一一阐述,具体原理一样