机器学习实战（一）k-近邻算法

k-近邻算法采用测量不同特征值之间的距离方法进行分类。

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。

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：此步骤不适用于k-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。

使用python导入数据

from numpy import * 
import operator
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

KNN算法伪代码：

（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k个点；

（4）确定前k个点所在类别的出现频率；

（5）返回前k个点出现频率最高的类别作为当前点的预测分类。

代码（python3.5）

from numpy import * 
import operator 
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
def classify0(inX, dataSet, labels, k):
   dataSetSize = dataSet.shape[0]                   #shape[]查看矩阵或数组的维数
   diffMat = tile(inX, (dataSetSize,1))-dataSet     #tile()函数的功能是重复某个数组
   sqDiffMat = diffMat**2
   sqDistances = sqDiffMat.sum(axis=1)              #sum(axis=1)将一个矩阵的每一行向量相加
   distances = sqDistances**0.5
   sortedDistIndicies = distances.argsort()         #argsort()函数是将x中的元素从小到大排列，提取其对应的index(索引)，然后输出到y
   classCount={}                                        
   for i in range(k):
       voteIlabel = labels[sortedDistIndicies[i]]
       classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
   sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
   return sortedClassCount[0][0]