《机器学习实战》学习笔记-[1]-K近邻_第一个分类器

k-近邻算法概述 

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。一般只选择样本数据集中前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。

 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的处理。

K-邻近流程

(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 

简单分类测试1

给定样本集group和分类标签labels，对输入样本进行分类

kNN.py

from numpy import *
import operator

from numpy.ma import array


def createDataSet():
    #创建数据集和标签
    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = ['A','A','B','B']
    return group, labels
    return group,labels

# 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
# 使用欧氏距离公式

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
    # 计算完所有点之间的距离后, 可以对数据按照从小到大的次序排序
    sortedDistIndicies = distances.argsort()
    classCount={}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    # 按照分类的频次排序为逆序
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    # 返回发生频率最高的元素标签
    #print(sortedClassCount)
    #print(sortedClassCount[0][0])
    return sortedClassCount[0][0]

测试

from com.ML.Class.KNN import kNN

#========测试集和标签测试
group,labels = kNN.createDataSet()
print("测试集: ",group)
print("分类标签: ",labels)

#========标签测试
classOutPut = kNN.classify0([0,0],group,labels,3)
print("分类输出: ",classOutPut)

输出：

测试集:  [[ 1.   1.1]
 [ 1.   1. ]
 [ 0.   0. ]
 [ 0.   0.1]]
分类标签:  ['A', 'A', 'B', 'B']
分类输出:  B