机器学习实战-K-近邻算法（kNN）

一、k-近邻算法描述

简单的说，k-近邻算法采用测量不同特征值之间的距离办法进行分类.

k-近邻算法

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

存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的 特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。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k的出处,通常k是不大于20的整数。 最后 ，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

二、k-近邻算法流程

收集数据：可以使用任何方法。

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。

分析数据：可以使用任何方法。

训练算法：此步驟不适用于k-近邻算法。

测试算法：计算错误率。

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。

三、算法实现

创建名为kNN.py的python文件，首先编写一些通用函数。

# coding=utf-8 from numpy import * # 科学计算 import operator # 运算符模块 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

导入了两个模块； 第一个是科学计算包；第二个是运算符模块。

算法核心代码：

def classify0(inX, dataSet, labels, k): ''' :param inX:用于分类的输入向量 :param dataSet:输入的训练样本集 :param labels:标签向量 :param k:用于选择最近邻的数目 :return: ''' dataSetSize = dataSet.shape[0] #求出dataSet矩阵的行数 diffMat = tile(inX, (dataSetSize, 1)) - dataSet sqDiffMat = diffMat ** 2 sqDistances = sqDiffMat.sum(axis=1)#axis=1以后就是将一个矩阵的每一行向量相加 distances = sqDistances ** 0.5 sortedDistIndicies = distances.argsort()#得到每个元素的排序序号 classCount = {} 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) return sortedClassCount[0][0]

计算完所有点之间的距离后，可以对数据按照从小到大的次序排序。然后，确定前k个距离 最小元素所在的主要分类, 输人k总是正整数；最后 ，将classCount字典分解为元组列表，然后 使用程序第二行导入运算符模块的itemgetter方法,按照第二个元素的次序对元组进行排序。 此处的排序为逆序，即按照从最大到最小次序排序，最后返回发生频率最高的元素标签。

四、算法小结

K-近邻算法是分类数据最简单最有效的算法，本章通过两个例子讲述了如何使用k-近邻算法 构造分类器。k-近邻算法是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数 据。k-近邻算法必须保存全部数据集，如果训练数据集的很大，必须使用大量的存储空间。此外, 由于必须对数据集中的每个数据计算距离值，实际使用时可能非常耗时。 k-近邻算法的另一个缺陷是它无法给出任何数据的基础结构信息，因此我们也无法知晓平均 实例样本和典型实例样本具有什么特征。