K-nearest Neighbors 算法

     机器学习初学者，超级小白，不对的地方尽请批评指正。欢迎一起探讨。

     K-nearest Neighbors 学习方法是基于实例的，可用于逼近实值或离散目标函数，概念简明。对于基于实例的算法，学习过程只是简单地存储已知的训练数据，当遇到新的查询实例时，一系列相似的实例被从存储器中取出，并用来分类新的查询实例。因此，基于实例的算法的最大不足也就在于分类新实例的开销特别大。

     关于该算法的基本介绍可以参考下教材或是维基百科k-nearest neighbor algorithm。这里主要写一下比较重要的问题。

     对于K-nearest Neighbors算法而言，其距离是根据标准欧式距离定义的。可以把实例看做为一个多维向量，其距离就是求向量间的距离。

    1NN：预测值或类别，仅根据训练集中离待预测实例最近的参考实例决定

    KNN：首先找到与待测实例最近的k个点，然后根据这k个点决定。进行分类：选择这k个实例中最普遍的类别值（majority vote）；进行回归（求值）：加权平均值（average weighted by inverse distance）。

基本过程：

1 Calculate distances of all training vectors to test vector
2 Pick k closest vectors
3 Calculate average/majority

虽然，KNN算法的原理很简单，但是其中很多问题需要解决。比如k值如何选择（k值过小，比较局限不稳定；k值过大，很多噪点影响），如何选择维度（实例中可能有很多维度属性与分类无关，而这些维度却很大程度影响了距离的计算结果），如何规格化参数（比如一个实例向量<1,1000,5>，该向量的第二个属性影响因子太大，因为我们一般认为所有属性是同等重要的，因此需要规格化样本数据），如何建立高效的索引（避免每次分类计算开销过大）。。。其实，需要研究的问题很多，也很困难。

 

一个使用K-nearest Neighbors 算法进行分类的应用实例：

进行手写数字的分类

数据集：Training dataset：http://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tra

               Test dataset：http://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tes

说明：

这是一个分类的问题，手写识别数字，类别为数字0~9。

每个训练实例，本应该是一个32*32大小的0、1矩阵，但是由于维数过大，有人对此进行了优化，即按4*4大小将其分块，然后化简为8*8大小的矩阵，并用一个32维的向量进行表示。

代码如下：

from numpy import *
import operator
def file2matrix (dataset_filename) :
    dataset = open(dataset_filename , 'r')
    items = dataset.readlines()
    dimension = len(items[0].split(',')) - 1
    train_items_lines = len(items)
    returnMat = zeros((train_items_lines , dimension))
    index = 0
    classLabelVector = []
    for item in items :
        item = item.strip()
        split_item_list = item.split(',')
        split_item_list = map(lambda x:int(x) , split_item_list)
        returnMat[index,:] = split_item_list[:dimension]
        classLabelVector.append(int(split_item_list[-1]))
        index += 1
    dataset.close()
    return returnMat , classLabelVector

def classify(inX , dataset , labels , k) :
    datasetSize = dataset.shape[0]
    #Compute distance using matrix
    #inX repeats datasetSize rows to be a matrix with the same size of dataset
    diffMat = tile(inX , (datasetSize,1)) - dataset
    sqDiffMat = diffMat**2
    sqDistance = sqDiffMat.sum(axis=1)
    distance = sqDistance**0.5
    sortedDistIndicies = distance.argsort()
    classCount = {}
    for i in range(k) :
        label = labels[sortedDistIndicies[i]]
        classCount[label] = classCount.get(label,0) + 1
        sortedClassCount = sorted(classCount.iteritems() , key=operator.itemgetter(1) , reverse=True)
    return sortedClassCount[0][0]


def test_classify ( k ) :
    dataset , labels =  file2matrix('dataset/optdigits.tra')
    test_dataset = open('dataset/optdigits.tes' , 'r')
    test_items = test_dataset.readlines()
    success = 0
    error = 0
    for item in test_items :
        item = item.strip()
        split_item_list = item.split(',')
        split_item_list = map(lambda x:int(x) , split_item_list)
        classify_res = classify(split_item_list[:-1] , dataset , labels , k)
        real_res = split_item_list[-1]
        if classify_res == real_res :
            success += 1
        else :
            error += 1
    print '*'*10 , k ,'*'*10
    print 'success\t' , success
    print 'error\t' , error
    return float(error)/float((error+success))

if __name__ == '__main__' :
    print test_classify(1)
    print test_classify(5)
    print test_classify(10)
    print test_classify(15)
    print test_classify(20)
    print test_classify(30)

运行结果：不同k值得影响

不难看出，k值并非越大越好，对于该问题而言，k在5的范围之内似乎是最佳的。