Python实现K近邻算法小案例

算法思想
KNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性
算法流程
1. 准备数据，对数据进行预处理
2. 选用合适的数据结构存储训练数据和测试元组
3. 设定参数，如k
4.维护一个大小为k的的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列
4. 遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L 与优先级队列中的最大距离Lmax
5. 进行比较。若L>=Lmax，则舍弃该元组，遍历下一个元组。若L < Lmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。
6. 遍历完毕，计算优先级队列中k 个元组的多数类，并将其作为测试元组的类别。
7. 测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k 值。
优点
1.简单，易于理解，易于实现，无需估计参数，无需训练；
8. 适合对稀有事件进行分类；
3.特别适合于多分类问题(multi-modal,对象具有多个类别标签)， kNN比SVM的表现要好
缺点
1.该算法在分类时有个主要的不足是，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。 该算法只计算“最近的”邻居样本，某一类的样本数量很大，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本。无论怎样，数量并不能影响运行结果。
2.该方法的另一个不足之处是计算量较大，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。
3.可理解性差，无法给出像决策树那样的规则
改进策略
1.分类效率：事先对样本属性进行约简，删除对分类结果影响较小的属性，快速的得出待分类样本的类别。该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。
2.分类效果：采用权值的方法（和该样本距离小的邻居权值大）来改进
案例代码实现
本案例以四六级成绩为依据，由于信息敏感，故删除除成绩以外的所有相关信息。
将19000多条数据拆分两半，训练数据为5000条，测试数据14000多条
第一步：导包、导数据

第二步：添加成绩等级的标签

第三步：删除不需要的列
此三列占总成绩的85%，以此为参考

第四步：将数据变得更加规范，容易计算

第五步：实现K-近邻算法，并验证

第六步：导入训练数据集，并处理数据


第七步：评估模型

结论：正确率为94.6%，此模型尚可