机器学习算法一——k-近邻算法（1）

机器学习算法一——k-近邻算法（1）

采用测量不同特征值之间的距离方法进行分类。

kNN工作原理：训练样本集中每个数据有一个一一对应的所属分类的标签。需要分类的新数据没有标签，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，然后将样本集中与其特征最相似（最近邻）的数据标签作为新数据的标签。

一般来说，我们选择样本集中前k个最相似的数据（通常k<=20）中，出现次数最多的，作为新数据的分类。

使用python导入数据

from numpy import *  #科学运算包
import operator      #运算符模块

def createDataSet(): #定义了四组数据和相应的标签
    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels =['A','A','B','B']
    return group,labels 

#从文本文件中解析数据
def classify0(inX,dataSet,labels,k): #（新数据,训练集数据,训练集标签,最近邻数）
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX,(dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2  #各个元素分别平方
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5 #开根得到距离
    sortedDistIndicies = distances.argsort()
    classCount={} #初始化classCount
    for i in range(k): #选择欧式距离最小的k个点
        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]

（1）tile()
将inX二维数组化，变成dataSetSize行1列

（2）sum()函数
sum(axis=1)表示矩阵中行之间数的求和；
sum(axis=0)表示矩阵中对列求和

(3)argsort()函数
argsort()函数的具体功能如下：

import numpy as np
x = np.array([1,4,3,-1,6,9])
y = x.argsort()
>>>y=array([3,0,2,1,4,5])

发现argsort()函数是将x中的元素从小到大排列，输出其对应的index(索引)。
例如：x[3]=-1最小，所以y[0]=3；x[5]=9最大，所以y[5]=5。

(4)classCount.get()函数
检测并生成新元素，0只做初始化作用，计数，遇到相同的加1

for i in range(k): #选择欧式距离最小的k个点
      voteIlabel = labels[sortedDistIndicies[i]]
      classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 

令k=3
假设labels = [‘A’,‘A’,‘A’,‘B’,‘B’,‘B’]
假设sortedDistIndicies = [1,3,0]
那么
-------------------------、
当k=0，

voteIlabel = labels[sortedDistIndicies[0]] 
           = labels[1] = 'A'
classCount['A'] = classCount.get('A',0) + 1 
>>>classCount = {'A':1}

当k=1，

voteIlabel = labels[sortedDistIndicies[1]] 
           = labels[3] = 'B'
classCount['B'] = classCount.get('B',0) + 1 
>>>classCount = {'B':1}

当k=2，

voteIlabel = labels[sortedDistIndicies[2]] 
           = labels[0] = 'A'
classCount['A'] = classCount.get('A',0) + 1 
>>>classCount = {'A':2}

>>>classCount = {'A':2,'B':1}

(5)sorted()函数
sorted(iterable, key=None, reverse=False)
iterable为排序对象
key表示按什么要素排序
reverse默认False表示升序

 sortedClassCount = sorted(classCount.items(),
                              key=operator.itemgetter(1),reverse=True)

classCount.items()返回的是dict_items，将classCount字典分解为元组列表
注意：python2的iteritems()转为python3的items()

operator.itemgetter(1)表示对classCount的第2个域进行排序（即标签频次）
reverse=True表示是升序排列

至此，分类器建成，测试结果如下