kNN算法

机器学习应用通用步骤

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。

kNN算法

• 概述：采用测量不用特征值之间的距离的方法来进行分类
• 优缺点
  • 优点：精度高，对异常值敏感，无数据输入假定
  • 缺点：计算复杂度高，空间复杂度高
• 原理：将没有标签的新数据的特征与样本集中数据对应的特征比较，提取出样本集中最相似的数据（前k个，k<=20）的分类标签

kNN伪代码

对位置属性的每个点依次执行：
    计算数据集中已知类别的点与当前点之间的距离
    排序：递增次序
    选值：与当前点距离最小的k个点
    确定k个点所在类别的出现频率
    返回：前k个点出现频率最高的类别

代码

import numpy as np
import operator

#分类器
def classify(inX,dataSet,labels,k):
    """
    :param inX: 用于分类的输入向量
    :param dataSet: 训练样本集
    :param labels: 标签向量，元素数目与矩阵dataSet行数相同
    :param k: 选择最近邻数据数目
    :return:
    """
    dataSetSize = dataSet.shape[0]#取训练样本集行数
    #欧拉公式：计算x1 x2距离
    diffMat = np.tile(inX,(dataSetSize,1))-dataSet#tile将inX复制为与dataSet相同行数的矩阵
    sqDiffMat = diffMat ** 2
    sqDistances = sqDiffMat.sum(axis=1)
    distances= sqDistances ** 0.5
    #确定k个距离最小元素所在的主要分类
    sortedDistIndicies = distances.argsort()#argsort()返回distances中元素从小到打排序的索引值
    classCount={}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]#提取标签
        classCount[voteIlabel] = classCount.setdefault(voteIlabel,0) +1
        #key not in dict，error:KeyError,通过dict.get，不存在时返回默认值而不报错
        # dict.get(key.default),default指定不存在key时返回的默认值
        #dict.setdefaule(key,default),键不存在时添加键并设为默认值
    #排序
    sortedClassCount = sorted(classCount.items(),
                              key = operator.itemgetter(1),reverse = True)
    #reverse降序排序字典
    #key = operator.itemgetter(1)按字典的值排序
    #key = operator.itemgetter(0)按字典的键排序
    return  sortedClassCount[0][0]
    
#创建数据集和标签
def creatDataSet():
    group = np.array([[1.0,1.1],[1.0,1.1],[0,0],[0,0.1]])
    labels = ['A','A','B','B']
    #f返回训练样本和标签
    return group,labels

group,labels = creatDataSet()

#测试
print(classify([0,0],group,labels,3))