根据《机器学习实战》中国工信出版集团 人民邮电出版社 学习得到的笔记
一、K-近邻算法概述
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
- 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
k-近邻算法称为kNN,它的工作原理是: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κ个最相似的数据,这就是k-近邻算法中κ的出处。通常κ是不大于20的整数。最后,选择κ个最相似数据出现次数最多的分类,作为新数据的分类。
二、python中的数据操作
1、使用python导入数据
新建一个kNN.py文件,导入预设的数据(注意缩进)
from numpy import * #导入科学计算包Numpy
import operator #导入运算符模块
def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) #创建数据集
labels = ['A','A','B','B'] #创建标签
return group, labels
接着在python shell下 导入kNN模块(关于导入模块可能会遇到无法导入的问题,可以先查看python shell的工作路径,将kNN.py文件放到python shell的工作环境下)
查看python shell的工作路径需要导入os包,再调用os包下的get.cwd()函数
>>> import os
>>> os.getcwd()
'C:\\Users\\Administrator\\AppData\\Local\\Programs\\Python\\Python37'
查到了工作环境之后拷贝py文件到工作环境下,进行import导入kNN模块。导入了之后可以输入变量的名字以检验是够正确的定义变量。
>>> import kNN
>>> group,labels = kNN.createDataSet()
>>> group
array([[1. , 1.1],
[1. , 1. ],
[0. , 0. ],
[0. , 0.1]])
>>> labels
['A', 'A', 'B', 'B']
得到了4组数据,每组数据有两个我们已知的属性或者特征值。向量labels包含了每个数据点的标签信息,labels包含的元素个数等于group矩阵行数。这里将数据点(1,1.1)定义为类A,数据点(0,0.1)定义为类B。为了说明方便,例子中的数值是任意选择的,并没有给出轴标签。
k-近邻算法:带有4个数据点的简单例子
2、使用kNN算法进行数据分类(从文本文件中解析数据)
伪代码如下:
计算已知类别数据集中的每个点依次执行以下操作
- 计算已知类别数据集中的点与当前点之间的距离
- 按照距离递增次序排序
- 选择与当前点距离最小的κ个点
- 确定前κ个点所在类别的出现概率
- 返回前κ个点出现频率最高的类别作为当前点的预测分类
python函数classify0()
def classify0(inX,dataSet,labels,k):
dataSetSize = dataSet.shape[0]
diffMat = tile(inX,(dataSetSize,1)) - dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis = 1)
distances = sqDistances**0.5
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=operator.itemgetter(1),reverse=True)
#Python3中不再支持iteritems(),将iteritems()改成items()
return sortedClassCount[0][0]
classify0()函数有4个参数 :
- inX:用于分类的输入向量
- dataSet:输入的训练样本集
- labels:标签向量
- k:用于选择最近邻居的数目
其中标签向量的元素数目和矩阵dataSet的行数相同。程序使用的是欧氏距离公式,计算向量xA与xB之间的距离:
(---------------欧式公式----------------)
计算完所有点的距离后,对数据按照从小到大的次序排序,确认前k个距离最小元素所在的主要分类。输入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。
下面测试了一下结果,预测的结果也是‘B’
>>> group,labels = kNN.createDataSet()
>>> kNN.classify0([0,0],group,labels,3)
'B'
3、如何测试分类器
分类器并不会得到百分百的正确的结果,我们可以使用多种方法检验分类器的正确率。错误率是评估常用方法,完美的错误率为0,最差错误率是1.0。