机器学习算法之最近邻规则分类KNN(K Nearest Neighbor)

KNN是一种分类算法，其输入是基于实例的学习(instance-based learning), 即是懒惰学习(lazy learning)

• 算法步骤

1、为了判断未知实例的类别，以所有已知类别的实例作为参照
2、选择参数K
3、计算未知实例与所有已知实例的距离
4、选择最近K个已知实例
5、根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别

• K的距离的衡量方法

• 欧几里得度量
  
  

• 其他距离衡量

  • 余弦值（cos）,
  • 相关度 （correlation）
  • 曼哈顿距离

• 示例

• 算法优点

• 简单
• 易于理解
• 容易实现
• 通过对K的选择可具备丢噪音数据的健壮性

• 算法缺点

• 需要大量空间储存所有已知实
• 算法复杂度高（需要比较所有已知实例与要分类的实例）
• 当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本

• 改进版本

• 考虑距离
  根据距离加上权重，比如: 1/d (d: 距离）

• 代码实现

  • 采用库中已有的数据集

from sklearn import neighbors
from sklearn import datasets

#调用内库knn算法
knn = neighbors.KNeighborsClassifier()
#获取 库中的数据
iris = datasets.load_iris()
print (iris)
#通过训练集建立模型
knn.fit(iris.data, iris.target)
#预测
predictedLabel = knn.predict([[0.1, 0.2, 0.3, 0.4]])
print (predictedLabel)

• 采用现有数据集
  

import csv
import random
import math
import operator

#对数据集进行分割，以spilt(<1)比例划分，一部分为训练集，一部分为测试集
def loadDataset(filename, split, trainingSet = [], testSet = []):
    with open(filename, 'rt') as csvfile:
        lines = csv.reader(csvfile)
        dataset = list(lines)
        for x in range(len(dataset)-1):
            for y in range(4):
                dataset[x][y] = float(dataset[x][y])
            if random.random() < split:
                trainingSet.append(dataset[x])
            else:
                testSet.append(dataset[x])

#欧几里得度量计算 两点距离
def euclideanDistance(instance1, instance2, length):
    distance = 0
    for x in range(length):
        distance += pow((instance1[x]-instance2[x]), 2)
    return math.sqrt(distance)

#根据预测点，得到邻近的K个数据
def getNeighbors(trainingSet, testInstance, k):
    distances = []
    length = len(testInstance)-1
    for x in range(len(trainingSet)):
        #testinstance
        dist = euclideanDistance(testInstance, trainingSet[x], length)
        distances.append((trainingSet[x], dist))
        #distances.append(dist)
    distances.sort(key=operator.itemgetter(1))
    neighbors = []
    for x in range(k):
        neighbors.append(distances[x][0])
        return neighbors

#根据邻近的K个数据 确定预测点属于那个类别
def getResponse(neighbors):
    classVotes = {}
    for x in range(len(neighbors)):
        response = neighbors[x][-1]
        if response in classVotes:
            classVotes[response] += 1
        else:
            classVotes[response] = 1
    sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True)
    print ('sortedVotes:')
    print(sortedVotes)
    return sortedVotes[0][0]

#通过测试集数据计算 最终测试成功的比率
def getAccuracy(testSet, predictions):
    correct = 0
    for x in range(len(testSet)):
        if testSet[x][-1] == predictions[x]:
            correct += 1
    return (correct/float(len(testSet)))*100.0


def main():
    #prepare data
    trainingSet = []
    testSet = []
    split = 0.67
    loadDataset(r'E:\study\Machine Learning\code\case\Nearest Neighbor\irisdata.txt', split, trainingSet, testSet)
    print ('Train set: ' + repr(len(trainingSet)))
    print ('Test set: ' + repr(len(testSet)))
    #generate predictions
    predictions = []
    k = 3
    for x in range(len(testSet)):
        # trainingsettrainingSet[x]
        neighbors = getNeighbors(trainingSet, testSet[x], k)
        result = getResponse(neighbors)
        predictions.append(result)
        print ('>predicted=' + repr(result) + ', actual=' + repr(testSet[x][-1]))
    print ('predictions: ' + repr(predictions))
    accuracy = getAccuracy(testSet, predictions)
    print('Accuracy: ' + repr(accuracy) + '%')

if __name__ == '__main__':
    main()