| Beautiful Woman | 1 | 81 | 爱情片 | | Kevin Longblade | 101 | 10 | 动作片 | | Robo Slayer 3000 | 99 | 5 | 动作片 | | Amped II | 98 | 2 | 动作片 | | ？ | 18 | 90 | 未知 |
根据knn算法的原理，我们可以求出，未知电影与每部电影之间的距离(这里采用欧式距离）
以California Man为例
>>>((3-18)**2+(104-90)**2)**(1/2)
20.518284528683193
| 电影名称 | 与未知i电影之间的距离 |
| California Man | 20.5 |
| He‘s Not Really into Dudes | 18.7 |
| Beautiful Woman | 19.2 |
| Kevin Longblade | 115.3 |
| Robo Slayer 3000 | 117.4 |
| Amped II | 118.9 |
因此我们可以找到样本中前k个距离最近的电影，假设k=3，前三部电影均为爱情片，因此我们判定未知电影属于爱情片。
1.2 用python代码实现k近邻算法
（1）计算已知类别数据集中的每个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个点所在类别出现的频率
（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
import numpy as np
import operator
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
diffMat = np.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)
return sortedClassCount[0][0]
（6）案例
>>>group = np.array([[1, 1.1],
... [1, 1],
... [0, 0],
... [0, 0.1]])
>>>labels = ['A', 'A', 'B', 'B']
>>>classify0([0,0], group, labels, 3)
'B'
1.3 如何测试分类器
正常来说为了测试分类器给出来的分类效果，我们通常采用计算分类器的错误率对分类器的效果进行评判。也就是采用分类出错的次数除以分类的总次数。完美的分类器的错误率为0，而最差的分类器的错误率则为1。
2 使用kNN算法改进约会网站的匹配效果
2.1 案例介绍
朋友海伦在使用约会软件寻找约会对象的时候，尽管网站会推荐不同的人选，但并不是每一个人她都喜欢，具体可以分为以下三类：不喜欢的人，魅力一般的人，极具魅力的人。尽管发现了以上的规律，但是海伦依旧无法将网站推荐的人归到恰当的类别，因此海伦希望我们的分类软件能更好的帮助她将匹配到的对象分配到确切的分类中。
现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。
分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习
