简介
又叫K-邻近算法，是监督学习中的一种分类算法。目的是根据已知类别的样本点集求出待分类的数据点类别。
基本思想
kNN的思想很简单：在训练集中选取离输入的数据点最近的k个邻居，根据这个k个邻居中出现次数最多的类别（最大表决规则），作为该数据点的类别。kNN算法中，所选择的邻居都是已经正确分类的对象。
算法复杂度
kNN是一种lazy-learning算法，分类器不需要使用训练集进行训练，因此训练时间复杂度为0；kNN分类的计算复杂度和训练集中的文档数目成正比，也就是说，如果训练集中文档总数为n，那么kNN的分类时间复杂度为O(n)；因此，最终的时间复杂度是O(n)。
优缺点
优点
- 理论成熟，思想简单，既可以用来做分类也可以用来做回归 ；
- 适合对稀有事件进行分类（例如：客户流失预测）；
- 特别适合于多分类问题(multi-modal,对象具有多个类别标签，例如：根据基因特征来判断其功能分类)， kNN比SVM的表现要好。
缺点
- 当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数；
- 计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点；
- 可理解性差，无法给出像决策树那样的规则。
代码
# -*- coding: utf-8 -*-
"""
Created on Tue Sep 15 20:53:14 2020
@author: Administrator
"""
# coding:utf-8
import numpy as np
def createDataset():
'''
创建训练集,特征值分别为搞笑镜头、拥抱镜头、打斗镜头的数量
'''
learning_dataset = {"宝贝当家": [45, 2, 9, "喜剧片"],
"美人鱼": [21, 17, 5, "喜剧片"],
"澳门风云3": [54, 9, 11, "喜剧片"],
"功夫熊猫3": [39, 0, 31, "喜剧片"],
"谍影重重": [5, 2, 57, "动作片"],
"叶问3": [3, 2, 65, "动作片"],
"伦敦陷落": [2, 3, 55, "动作片"],
"我的特工爷爷": [6, 4, 21, "动作片"],
"奔爱": [7, 46, 4, "爱情片"],
"夜孔雀": [9, 39, 8, "爱情片"],
"代理情人": [9, 38, 2, "爱情片"],
"新步步惊心": [8, 34, 17, "爱情片"]}
return learning_dataset
def kNN(learning_dataset,dataPoint,k):
'''
kNN算法,返回k个邻居的类别和得到的测试数据的类别
'''
# s1:计算一个新样本与数据集中所有数据的距离
disList=[]
for key,v in learning_dataset.items():
#对距离进行平方和开根号
d=np.linalg.norm(np.array(v[:3])-np.array(dataPoint))
#round四舍五入保留两位小数，并添加到集合中
disList.append([key,round(d,2)])
# s2:按照距离大小进行递增排序
disList.sort(key=lambda dis: dis[1])
# s3:选取距离最小的k个样本
disList=disList[:k]
# s4:确定前k个样本所在类别出现的频率，并输出出现频率最高的类别
labels = {"喜剧片":0,"动作片":0,"爱情片":0}
#从k个中进行统计哪个类别标签最多
for s in disList:
#取出对应标签
label = learning_dataset[s[0]]
labels[label[len(label)-1]] += 1
labels =sorted(labels.items(),key=lambda asd: asd[1],reverse=True)
return labels,labels[0][0]
if __name__ == '__main__':
learning_dataset=createDataset()
testData={"唐人街探案": [23, 3, 17, "？片"]}
dataPoint=list(testData.values())[0][:3]
k=6
labels,result=kNN(learning_dataset,dataPoint,k)
print(labels,result,sep='\n')