k-近邻算法

Posted 2021-02-09 lamfai

2.1　　k-近邻算法概述

　　　　k-近邻算法采用测量不同特征值之间的距离方法进行分类。

　　　　优点：精度高、对异常值不敏感、无数据输入假定。

　　　　确定：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（最相邻）的分类标签。一般来说，我们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。

　　　　使用k-邻近算法分类爱情片和动作片。

　　　　假如有一部未看过的电影，如何确定它是爱情片还是动作片？我们可以使用kNN来解决这个问题。

　　

　　　　首先我们需要知道这个未知电影存在多少个打斗镜头和接吻镜头，图2-1中问号位置是该未知电影出现的镜头数图形化展示，具体数字参照表2-1。

　　

　　　　即使不知道未知电影属于哪种类型，我们也可以通过某种方式计算出来。首先计算未知电影与样本集中其他电影的距离，如表2-2所示。

 　　

　　　　现在我们得到了样本集中所有电影与未知电影的距离，按照距离递增排序，可以找出k个距离最近的电影。假定k=3，则三个最靠近的电影依次是He‘s Not Really into Dudes、Beautiful Woman和California Man。k-近邻算法按照距离最近的三部电影的类型，决定未知电影的类型，而这三部电影全是爱情片，因此我们判定未知电影是爱情片。

　　　　k-邻近算法的一般流程

　　　　（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：首先需要输入样本结构和结构化的输出结果，然后运行k-近邻算法判断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。

 　　2.1.1　准备：使用 Python 导入数据

　　　　首先，创建名为kNN.py的Python模块，所有代码放在这个文件中。

　　　　在构造完整的k-近邻算法之前，我们还需要编写一些基本的通用函数，在kNN.py文件中增加下面的代码：