机器学习入门读书笔记二（k-近邻算法 kNN） 上

k-近邻算法（kNN）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。

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：训练样本集的每条数据包含n个特征值和一个指明所属分类的标签，输入待处理数据后，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，提取k个最相似的数据，k条数据中出现次数最多的分类，即为新数据的推测分类（通常k是不大于20的整数），这就是k-近邻算法中k的出处。

例如：
[align=center]
[/align]

训练样本集

特征一	特征二	分类
1.0	1.1	A
1.0	1.0	A
0	0	B
0	0.1	B

[align=left]
[/align]

[align=left](由于人类大脑限制，只能可视化处理三维以下的事务，因此为了实现简单的可视化，这里的数据只选择两个特征)[/align]
[align=left]待测数据：（20，80）[/align]
[align=left]目标：分类[/align]
[align=left]
[/align]



[align=left]
[/align]
[align=left]
[/align]
[align=left]
[/align]
[align=left]
[/align]
[align=left]第一步 准备：使用python导入数据[/align]

[align=left]创建python模块kNN.py:[/align]

[align=left]
[/align]

def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels = ['A','A','B','B']
return group, labels

[align=left]
[/align]



[align=left]

[/align]

[align=left]第二步 k-近邻算法：[/align]

[align=left]kNN模块中加入classify0()函数：[/align]

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
sortedDistIndicies = distances.argsort()
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]

[align=left]inX：待测数据向量[/align]
[align=left]dataSet：训练样本数据集[/align]
[align=left]labels： 标签向量[/align]
[align=left]k：最近邻居的数目[/align]
[align=left]标签向量的元素数目和矩阵dataSet的行数相同，程序使用欧式距离公式计算xA和xB之间的距离：[/align]



[align=left]如果数据集存在4个特征值，则点(4,0,0,1)与(7,6,9,4)之间的距离为：
[/align]





[align=center]
[/align]

[align=left]结果应该为B，一个简单的分类器构造完毕。
[/align]

[align=left]
[/align]