机器学习实战——k近邻算法

学习都得有输出，这篇博客用于做自己的日常学习记录，同时也对外开放分享自己的个人学习笔记。

这是我正在看机器学习实战这本书，是一本很经典的机器学习与python的书，书中未涉及到tensorflow等框架，但是这些框架基本上都是基于深度学习的，我准备在python的机器学习以及matlab数学建模的算法上探索一翻，体会数学之美。当然，书中有很多的库和函数，这些都是很难记住，即使一边记住了后面也一定会忘记，本人也只是简单读了读其代码，体会其中的思想，而并没有深入的去死记这些代码是如何实现。因此在学习中我给出如下的建议：1.了解该算法的大概原理，知道他能去做什么；2.参与几个该算法的实战，尝试用现有的代码去实现。

什么是kNN近邻算法，这个我之前也有过学习，只是将数学知识应用于统计学习当中，kNN应该是机器学习中的最简单的算法了。话说什么是kNN？如果你有一定的机器学习基础，那么你一定会知道聚类，当然如果你不知道也没有关系，我们先简单了解一下。

如图所示，你可以清楚的看到绿色，红色和蓝色混在一起，但是似乎相同的颜色更加紧凑。我们的kNN算法就是涉及到一个分类的问题。分类有很多种，这里的分类问题是需要在有一个已分好类的数据集，可以用（x,y）表示，当然也可以用三维或这四维的坐标表示，我们这里只用二维坐标。

那么你可能会很好奇，都已经是分好类的了，不应该直接就能知道输入的是属于哪个类的了吗？

那么你就错了。虽然像上图已经是一个大概的分好类的了，但是你会发现它并没有一个分界线，如果处于边缘上，不好区分，那么我们怎么确认他是什么类别的呢？

因此，我们就需要借助算法来帮助我们了，kNN即最简单的分类方法。我们需要一堆已经标记好标签的数据，标签这里的意思就如上图，红色，绿色和蓝色就是不同的标签。

这里我们需要使用算法将所有的点与一个输入坐标的距离求解出来，就是普通的二维坐标两点求距离。然后我们需要选取最靠近这个输入点的k个点，比较哪个标签多。k这个数字是我们自己设定的，比如我设定k是4，那么如果有3个红色和1个蓝色的点是离输入点最近的几个点，那么离这个点最近的k个点中红色点最多，因此我们可以将该点分类到红色的点中去。

那么这就是机器学习kNN的基本算法了，我们给出其基本公式,其又叫做欧拉公式：

我们对上面的公式举一个例子，比如我需要知道点(0,0)和(1,2)之间的距离，那么我们可以得到如下计算公式：

注意，这个d是我们求的输入点与每个样本点的计算距离公式，然后我们会在所有的距离中找出最近的n个点，找出这个n个点中标签数量最多的那个，那么我们就预测输入点为该标签的一类。

在kNN算法的代码中，我们已经看到了有一个函数：classify0(inX, dataSet, labels, k) 这个函数，就是基本的分类算法。我们无需每次都去自己编写kNN算法，因此只需要在我们需要时去调用这个算法就行了。这里的参数，inX：需要被分类的输入量，dataSet：输入样本集，labels：每个样本集对应的标签，k：临近数。

现在你已基本了解了什么是kNN算法，也许你还不够理解，那么接下来让我们到实战中去体验这种算法。

未完待续。。。