【机器学习】最近邻算法KNN原理、流程框图、代码实现及优缺点

通过机器学习教学视频，初识KNN算法，对原理和算法流程通过小应用进行Python实现，有了自己的一些理解。因此在此整理一下，既是对自己学习的阶段性总结，也希望能和更多的朋友们共同交流学习相关算法，如有不完善的地方欢迎批评指正。

1、KNN算法原理

KNN，全称k-NearestNeighbor，即常说的k邻近算法。

该算法的核心思想：一个样本x与样本集中的k个最相邻的样本中的大多数属于某一个类别yLabel，那么该样本x也属于类别yLabel，并具有这个类别样本的特性。简而言之，一个样本与数据集中的k个最相邻样本中的大多数的类别相同。

由其思想可以看出，KNN是通过测量不同特征值之间的距离进行分类，而且在决策样本类别时，只参考样本周围k个“邻居”样本的所属类别。因此比较适合处理样本集存在较多重叠的场景，主要用于聚类分析、预测分析、文本分类、降维等，也常被认为是简单数据挖掘算法的分类技术之一。

2、KNN流程框图

在建立训练集时，就要确定训练数据及其对应的类别标签；然后把待分类的测试数据与训练集数据依次进行特征比较；从训练集中挑选出最相近的k个数据，这k个数据中投票最多的分类，即为新样本的类别。

为了方便阅读算法流程，将其描述为如下流程框图：

3、KNN代码实现

参考《视觉机器学习 20讲》，整理KNN算法的伪代码如下：

Algorithm KNN(A[n], k)
{
    Input: A[n]为N个训练样本的分类特征；
		   k为近邻个数；

	Initialize：
		选择A[1]至A[k]作为x的初始近邻；
		计算初始近邻与测试样本x间的欧氏距离d(x, A[i]), i=1,2,...k；
		按d(x, A[i])从小到大排序；
		计算最远样本与x间的距离D，即max{d(x, A[j]) | j=1,2...k}；

	for(i=k+1; i<n+1; i++)
		计算A[i]与x间的距离d(x, A[i])；

		if  (d(x, A[i]) < D ) then
		用A[i]代替最远样本；
		按照d(x, A[i])从小到大排序；
		计算最远样本与x间的距离D，即max{d(x, A[j]) | j=1,...i}；
		计算前k个样本A[i]所属类别的概率，i=1,2,...k；
		具有最大概率的类别即为样本x的类；
	end for

    Output： x所属的类别。
}

参照麦子学院彭亮主讲机器学习课程中，KNN的Python代码，实现了KNN算法的分类功能。

import csv
import random
import math
import operator

#导入数据，并分为训练集和测试集
def loadDataset(filename, split, trainingSet = [], testSet = []):
    with open(filename, 'rt') as csvfile:
        lines = csv.reader(csvfile)
        dataset = list(lines)
        for x in range(len(dataset)-1):
            for y in range(4):
                dataset[x][y] = float(dataset[x][y])
            if random.random() < split:
                trainingSet.append(dataset[x])
            else:
                testSet.append(dataset[x])

#求欧拉距离
def euclideanDistance(instance1, instance2, length):
    distance = 0
    for x in range(length):
        distance += pow((instance1[x]-instance2[x]), 2)
    return math.sqrt(distance)

#计算最近邻(K个数据集)，testInstance是实例
def getNeighbors(trainingSet, testInstance, k):
    distances = []
    length = len(testInstance)-1
    for x in range(len(trainingSet)):
        #testinstance
        dist = euclideanDistance(testInstance, trainingSet[x], length)
        distances.append((trainingSet[x], dist))#distance是一个多个元组的list
        #distances.append(dist)
    distances.sort(key=operator.itemgetter(1))#按照dist排序
    neighbors = []
    for x in range(k):
        neighbors.append(distances[x][0])#要的是数据集
        return neighbors

#投票法找出最近邻的结果哪种最多
def getResponse(neighbors):
    classVotes = {}#key--花名字 value--个数
    for x in range(len(neighbors)):
        response = neighbors[x][-1]
        if response in classVotes:
            classVotes[response] += 1
        else:
            classVotes[response] = 1
    sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True)
    return sortedVotes[0][0]

#求出精确性
def getAccuracy(testSet, predictions):
    correct = 0
    for x in range(len(testSet)):
        if testSet[x][-1] == predictions[x]:
            correct += 1
    return (correct/float(len(testSet)))*100.0

def main():
    #prepare data
    trainingSet = []
    testSet = []
    split = 1/3
    loadDataset(r'E:\pycharmcode\irisdata.txt', split, trainingSet, testSet)
    print('Train set: '+ repr(len(trainingSet)))
    print('Test set: ' + repr(len(testSet)))
    #generate predictions
    predictions = []
    k = 3
    for x in range(len(testSet)):
        # trainingsettrainingSet[x]
        neighbors = getNeighbors(trainingSet, testSet[x], k)
        result = getResponse(neighbors)
        predictions.append(result)
        print ('>predicted=' + repr(result) + ', actual=' + repr(testSet[x][-1]))
    accuracy = getAccuracy(testSet, predictions)
    print('Accuracy: ' + repr(accuracy) + '%')

4、KNN算法优缺点

4.1、优点

（1）理论成熟简单，易于理解及算法实现；

（2） 可以用于多分类分类、回归等；

4.2、缺点

（1）需要计算待分类样本与所有已知样本的距离，计算量大；

（2）样本容量小或样本分布不均衡时，容易分类错误，后者可通过施加距离权重进行改善；

5、参考资料

1、《视觉机器学习 20讲》；

2、K-近邻（KNN）算法；

3、机器学习实战之kNN算法；

4、KNN(k-nearest neighbor的缩写)最近邻算法原理详解；

5、麦子学院在线课程；