机器学习实战训练营-第2章-k-近邻算法-2.1
核心：基于距离的测量方式，并将它应用于约会网站配对和手写识别系统中。
难点：选取的k值不好确定
注意：因为是基于距离比较，所以样本个特征之间的取值范围差别较大的时候，应该对特征进行归一化处理，提升分类效果。
2.1概述
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个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。
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处理。
2.1.1准备：使用python导入数据
kNN.py导入两个模块：科学计算包numpy；运算符模块
gfrom numpy import *
import opertator
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
group矩阵每行包含一个不同的数据，想象为某个日志文件中不同的测量点或者入口。
向量label包含了每个数据点的标签信息，label包含的元素个数等于group矩阵行数。
已知：python如何解析数据，如何加载数据，KNN算法的工作原理
2.1.2从文本文件中解析数据
对未知类别属性的数据集中的每个点依次执行以下操作：
（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
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
sortDistIndicies = distances.argsort()
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCout[voteIlabel] = classCount.get(voteIlabel,0)+1
sortedClassCount = sorted(classCount.iteritems(),
key = operator.itemgetter(1),reverse = True)
return sortedClassCount[0][0]
classify0()函数有4个输入参数：用于分类的输入向量是inx，输入的训练样本集为dataSet,标签向量为labels，最后的参数k表示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。
2.1.3如何测试分类器
使用已知答案的数据，答案不告诉分类器，校验分类器给出结果是否符合预期结果。
分类器的错误率=分类器给出错误结果的次数除以测试执行的总数
错误率是常用的评估方法，主要用于评估分类器在某个数据集上的执行效果。