机器学习算法之最近邻规则分类KNN(K Nearest Neighbor)

KNN是一种分类算法，其输入是基于实例的学习(instance-based learning), 即是懒惰学习(lazy learning)

算法步骤

1、为了判断未知实例的类别，以所有已知类别的实例作为参照

2、选择参数K

3、计算未知实例与所有已知实例的距离

4、选择最近K个已知实例

5、根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别

K的距离的衡量方法

欧几里得度量







其他距离衡量

余弦值（cos）,

相关度 （correlation）

曼哈顿距离

示例



算法优点

简单

易于理解

容易实现

通过对K的选择可具备丢噪音数据的健壮性

算法缺点



需要大量空间储存所有已知实

算法复杂度高（需要比较所有已知实例与要分类的实例）

当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本

改进版本

考虑距离

根据距离加上权重，比如: 1/d (d: 距离）

代码实现

采用库中已有的数据集

from sklearn import neighbors
from sklearn import datasets

#调用内库knn算法
knn = neighbors.KNeighborsClassifier()
#获取 库中的数据
iris = datasets.load_iris()
print (iris)
#通过训练集建立模型
knn.fit(iris.data, iris.target)
#预测
predictedLabel = knn.predict([[0.1, 0.2, 0.3, 0.4]])
print (predictedLabel)

采用现有数据集

import csv
import random
import math
import operator

#对数据集进行分割，以spilt(<1)比例划分，一部分为训练集，一部分为测试集
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])

#欧几里得度量计算 两点距离
def euclideanDistance(instance1, instance2, length):
distance = 0
for x in range(length):
distance += pow((instance1[x]-instance2[x]), 2)
return math.sqrt(distance)

#根据预测点，得到邻近的K个数据
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))
#distances.append(dist)
distances.sort(key=operator.itemgetter(1))
neighbors = []
for x in range(k):
neighbors.append(distances[x][0])
return neighbors

#根据邻近的K个数据 确定预测点属于那个类别
def getResponse(neighbors):
classVotes = {}
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)
print ('sortedVotes:')
print(sortedVotes)
return sortedVotes[0][0]

#通过测试集数据计算 最终测试成功的比率
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 = 0.67
loadDataset(r'E:\study\Machine Learning\code\case\Nearest Neighbor\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]))
print ('predictions: ' + repr(predictions))
accuracy = getAccuracy(testSet, predictions)
print('Accuracy: ' + repr(accuracy) + '%')

if __name__ == '__main__':
main()