简述k-近邻（KNN）算法流程
一、算法流程（1）收集数据：可以使用任何方法；
（2）准备数据：距离计算所需要的数值，最好是结构化的数据格式；
（3）分析数据：可以使用任何方法；
（4）训练算法：此步骤不适用于k-近邻算法；
（5）测试算法：计算错误率；
（6）使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k-近邻算法，判定输入数据分别属于哪个分类，最后应用，对计算出的分类执行后续的处理。
二、算法实施
对未知类别属性的数据集中的每个点依次执行以下操作：
（1）计算已知类别数据集中的点与当前点之间的距离；
（2）按照距离递增次序排序；
（3）选取与当前点距离最小的k个点；
（4）确定前k个点所在类别的出现频率；
（5）返回前k个点出现频率最高的类别作为当前点的预测分类。
三、代码详解
（python开发环境搭建，包括安装numpy，scipy，matplotlib等科学计算库的安装不再赘述，百度即可）
（1）进入python交互式开发环境，编写并保存如下代码，本文档中代码保存名为“KNN”；
import numpy
import operator
from os import listdir
from numpy import *#k-近邻算法
def classify0(inX, dataSet, labels, k):
# type: (object, object, object, object) -> object
dataSetSize = dataSet.shape[0] #计算距离，使用欧氏距离。
diffMat = numpy.tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort()
classCount = {} #选择距离最小的k个点
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True) #排序
return sortedClassCount[0][0]#编写基本的通用函数
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
#将文本记录转换为numpy的解析程序
def file2matrix(filename):
fr = open(filename)
numberOfLines = len(fr.readlines()) #get the number of lines in the file得到文件行数
returnMat = numpy.zeros((numberOfLines, 3)) #prepare matrix to return创建返回的numpy矩阵
classLabelVector = [] #prepare labels return解析文件数据列表
fr = open(filename)
index = 0
for line in fr.readlines():
line = line.strip()
listFromLine = line.split('\t')
returnMat[index, :] = listFromLine[0:3]
classLabelVector.append(numpy.int(listFromLine[-1]))
index += 1
return returnMat, classLabelVector
#归一化特征值
def autoNorm(dataSet):
minVals = dataSet.min(0)
maxVals = dataSet.max(0)
ranges = maxVals - minVals
m = dataSet.shape[0]
normDataSet = dataSet - numpy.tile(minVals, (m, 1))
normDataSet = normDataSet / numpy.tile(ranges, (m, 1)) #element wise divide特征值相除
return normDataSet, ranges, minVals
'''
def datingClassTest():
hoRatio = 0.50 #hold out 10%
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt') #load data setfrom file
normMat, ranges, minVals = autoNorm(datingDataMat)
m = normMat.shape[0]
numTestVecs = numpy.int(m * hoRatio)
errorCount = 0.0
for i in range(numTestVecs):
classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, datingLabels[i])
if classifierResult != datingLabels[i]: errorCount += 1.0
print "the total error rate is: %f" % (errorCount / numpy.float(numTestVecs))
print errorCount'''
#将图像转换为向量
def img2vector(filename):
returnVect = numpy.zeros((1, 1024))
fr = open(filename)
for i in range(32):
lineStr = fr.readline()
for j in range(32):
returnVect[0,32*i+j] = numpy.int(lineStr[j])
return returnVect
#手写数字识别系统的测试代码
def handwritingClassTest():
hwLabels = []
trainingFileList = listdir('trainingDigits') #load the training set获取目录内容
m = len(trainingFileList)
trainingMat = numpy.zeros((m, 1024))
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0] #take off .txt 从文件名解析分类数字
classNumStr = numpy.int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
trainingMat[i, :] = img2vector('trainingDigits/%s' % fileNameStr)
testFileList = listdir('testDigits') #iterate through the test set
errorCount = 0.0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0] #take off .txt
classNumStr = numpy.int(fileStr.split('_')[0])
vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)
if classifierResult != classNumStr: errorCount += 1.0
print 'the total number of errors is: %d' % errorCount
print 'the total error rate is: %f' % (errorCount / numpy.float(mTest))
>>>import KNN
>>>group,labels=KNN.createDataSet()
（3）分析数据：使用matplotlib创建散点图
>>>import matplotlib
>>>import matplotlib.pyplot as plot
>>>fig=plt.figure()
>>>ax=fig.add_subplot(111)
>>>ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels))KNN.handwritingClassTest()
简单有效，精度高，对异常值不敏感，无数据输入假定。
计算复杂度高，空间复杂度高；由于必须对数据集中每个数据计算距离值，实际使用时可能非常耗时；另外，它无法给出任何数据的基础结构信息，因此我们无法知晓平均实例样本的典型实例样本具有什么特征。
注：代码中用到的诸如datingTestSet2.txt等类似的数据需要自己额外添加于代码相同路径下。