《机器学习实战》第二章 k-近邻算法

K-近邻算法概述

• 描述： 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、空间复杂度高。
• 适用数据范围： 数值型和标称型。
• 工作原理： 已知样本集中每一数据与所属分类的对应关系，将新数据与样本集中数据对应的特征进行比较，将前k个与最相似的样本集中数据的标签提取，选择其中出现次数最多的分类，作为新数据的分类。
• 注： 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&的出处,通常是不大于20的整数。

---

k-近邻算法的一般流程：
(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：此步驟不适用于1 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，然后运行女-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。

---

小例子
kNN.py

from numpy import *
import operator
from os import listdir

#创建数据集和标签
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

#从文本文件中解析数据
'''
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走个点；
(4)确定前灸个点所在类别的出现频率；
(5)返回前女个点出现频率最高的类别作为当前点的预测分类。
'''
#使用k-近邻算法将每组数据划分到某个类中
def classify0(inX, dataSet, labels,k): #参数分别为：输入向量，输入训练样本集，标签向量， 最临近邻居的数目
    dataSetSize = dataSet.shape[0]
    #欧式距离计算
    diffMat = tile(inX, (dataSetSize,1)) - dataSetSize # tile(A，rep) 重复A的各个维度 
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    #根据距离排序
    sortedDistIndicies = distances.argsort()
    #选择距离最小的k个点
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    #排序（sorted函数第一个参数书上是itemitems(),python3.5后是items()）
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

main.py

import kNN
group, labels = kNN.createDataSet()
print(group)
print(labels)
print(kNN.classify0([0,0],group,labels,3))

输出：

[[1.  1.1]
 [1.  1. ]
 [0.  0. ]
 [0.  0.1]]
['A', 'A', 'B', 'B']
A