文章列表
1.机器学习方法原理及编程实现–01.K近邻法(实现MNIST数据).
2.机器学习方法原理及编程实现–01. .
3.机器学习方法原理及编程实现–01. .
4.机器学习方法原理及编程实现–01. .
5.机器学习方法原理及编程实现–01..
6.机器学习方法原理及编程实现–01..
…
1 KNN
K近邻法（k-nearest neighbor，kNN）是一种基本的分类与回归方法。K近邻法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。K近邻法没有显示的学习过程，在对测试数据进行分类时需根据距离度量对所有训练数据计算出k个最邻近的实例，再通过分类决策（如多数表决等）输出类别。3个加粗带下划线的部分为k近邻的3个基本要素。
Knn实际上是一种特征空间划分问题，但对不同的测试实例，特征空间是不同的。在特征空间中，对于每个测试实例，距离该点比其他点更近的所有点组成的区域叫做单元（cell），每个训练实例拥有一个单元，所有训练实例点的单元构成对特征空间的一个划分。
1.1 距离度量
特征空间中两个实例点的距离是两个实例点相似程度的反映。K近邻模型的特征空间一般是n维实数向量空间，常用 范数来衡量：
其中p≥1，当p=1时，称为曼哈顿距离；当p=2时，称为欧式距离；
1.2 K值的选择
K值较小时，输出结果会对邻近实例点比较敏感，如果实例点恰巧是噪声，输出会出错；k较大时，距离较远的点也会对输出结果产生影响。一般而言，k越大模型越简单，如果k为所有训练实例的个数，那么模型将直接选取训练数据中类别最多的类作为输出。
1.3 分类决策规则
多数表决用的比较多，相应的无分类率为：
式中的I为指示函数，及yi=ci时为1，否则为0。所有多数表决规则的误分类最小等价于经验风险最小化。k一般选取一个较小的值，通常采用交叉验证选择最优的k。此外还需注意的是：对用不同取值范围的特征值是，常常采用数值归一化的方法进行预处理。
KNN优缺点：
优点：便于理解
缺点：
- KNN算法效率不高，每次对测试向量进行分类时，需要保存所有训练数据，而且还需要计算测试向量与训练向量之间的间距。
- KNN并没有得到任意数据的基础结构信息，无法从中知晓平均实例样本与典型实例样本的特征。
- 训练数据越多，KNN测试准确率越高，但计算时间也急速增加。
最简单的K近邻法是线性扫描，也就是上面实现的方法，需要计算输入实例与所有训练数据的距离，当训练数据量较大时特别费时。为了提高搜索效率，可以考虑使用特殊的结构存储训练数据，以减少计算距离的次数，如kd树。
相应代码实现如下：
import sys;
import numpy as np
sys.path.append("./../Basic/")
import LoadData as ld
def KNN(inX, dataSet, labels, k, iNormNum):
subtractMat = np.ones([dataSet.shape[0], 1])*np.array(inX).reshape([1, inX.shape[1]]) - dataSet
distances = ((subtractMat**iNormNum).sum(axis=1))**(1.0/iNormNum)
sortedDistIndicies = distances.argsort()
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
sortedClassCount = sorted(classCount.items(), key=lambda s: s[1], reverse=True)
return sortedClassCount[0][0]
if __name__ == '__main__':
iTrainNum = 60000
iTestNum = 10000
trainDataSet = ld.getImageDataSet('./../MNISTDat/train-images-idx3-ubyte', iTrainNum, 1, 784)
trainLabels = ld.getLabelDataSet('./../MNISTDat/train-labels-idx1-ubyte', iTrainNum)
testDataSet = ld.getImageDataSet('./../MNISTDat/t10k-images-idx3-ubyte', iTestNum, 1, 784)
testLabels = ld.getLabelDataSet('./../MNISTDat/t10k-labels-idx1-ubyte', iTestNum)
iErrorNum = 0
for iTestInd in range(iTestNum):
KNNResult = KNN(testDataSet[iTestInd].reshape([1,784]), trainDataSet, trainLabels, 5, 2)
if (KNNResult != testLabels[iTestInd]): iErrorNum += 1.0
print("process:%d/%d_totalErrorNum:%d predict_label: %d, real_label: %d" % (iTestInd, iTestNum, iErrorNum, KNNResult, testLabels[iTestInd]))
print("\ntotal_error_number: %d" % iErrorNum)
print("\nerror_rate: %f" % (iErrorNum/float(iTestNum)))文件路径：https://pan.baidu.com/s/1OUB90duLVdRwyS_ZOF4myQ
MNIST数据分类的准确率为96.94%
