ML--K-近邻算法

声明：本人学习的机器学习以machine learning in action 【美】peter Harrington著为主，练习上面代码并进行适当修改，不涉及任何版权不作任何商业用途，有问题可以联系本人，文中源码到一定时间将会在github上公开。

1、K-近邻算法（k-Nearest Neighbor，KNN）

该算法通过测量不同特征之间的距离来进行分类，说的是每个特征可以通过它的最邻近的K个邻居来表示。

下面是来自维基百科的一幅图：绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类，这就是KNN算法的基本思想。

2.KNN算法

优点：精度高，对异常值不敏感，无输入数据假定

缺点：计算较复杂

适用的数据范围包括：数值型和标称型

2.1KNN算法的流程

1.采集数据

2.分析数据

3.训练算法，计算距离

4.测试算法，计算错误率

5.验证算法，作测试

2.2 用python来跑算法环境简介

本人用的是win7 64位，python 2.7.10，用的编辑器是sublime text3 ，对于机器学习而已，Python需要额外安装三个库分别是Numpy，scipy和Matplotlib。大家自己安装相应的配置环境，这里专注算法，环境不做过多阐述。

3.kNN实战

在同一个文件夹下创建名为kNN.py的python模块和main.py的测试模块。

首先在kNN.py中添加如下代码,及注释：

# -*- coding:UTF-8 -*-
#Filename:kNN.py
from  numpy import *
import operator
def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1],[5,5],[5.1,4.9]])
labels = ['A','A','B','B','C','C']
return group,labels

numpy模块是一个科学计算包，另一个是运算符模块。

上面代码以在（1，1），（0，0），（5，5）点附近定义了3个类别分别是A,B,C，随便用一个点来测试，距离（欧式距离）最小的点就是我们临近的类，在main.py中，输入如下代码，测试我们上面模块的正确性。

#!E:\machinelearning\KNN\python
# -*- coding:UTF-8 -*-
import kNN
group,labels = kNN.createDataSet()
print group
print labels

在sublime中配置好python的开发环境，ctrl+B就可以运行，显示如下图中所示的结果，则证明我们的所写的模块也可以说成是我们所定义的函数正常：

3.1用该算法分类

接上面，继续在kNN.py中定义一个函数classify0,如下中所示

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):
voteLabel = labels[sortedDistIndicies[i]]
classCount[voteLabel] = classCount.get(voteLabel,0) + 1
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]

代码解释：

dataSetSize = dataSet.shape[0]:中，可以看到一个shape,这是一个属性，shape[0]:求数组中第一维数（二维数组中指行数），shape[1]：就是求数组中第二维数（二维数组中指列数）在本例中，dataSet.shape[0]= 6,dataSet.shape[1]=2;

diffMata = tile(inX,(dataSetSize,1))-dataSet:其中tile是指模板numpy.lib.shape_base中的函数，函数的形式是tile(A,reps），功能是重复某个数组，将A重复reps次，然后元素相减。

sqDiffMat = diffMat**2：求平方

sqDistances = sqDiffMat.sum(axis=1)：axis=1表示按行相加。

sortedDistIndicies = distances.argsort() ：argsort() ：升序排列

classCount={} 定义字典

voteLabel = labels[sortedDistIndicies[i]]：找到最小的k个邻居

classCount[voteLabel] = classCount.get(voteLabel,0) + 1：统计标签出现的次数，以下是get()方法的语法：dict.get(key, default=None)，get()方法返回给定键的值。如果键不可用，则返回默认值None。本例中如果键不存在，则会返回0。

reverse=True 倒序排列，最后返回最大值。

3.2在命令行中进行测试

结果如下图中所示：



这样就完成了我们一个简单的kNN算法的python编写，你也来试试吧。

4 kNN算法进阶

4.1用kNN改进网站的配对效果

4.2手写识别系统

本文接下来的数据集合和相应代码放在:

http://download.csdn.net/detail/yywan1314520/9335021

本文根据《机器学习实站》书中安排进行，关于代码的完整注释最后会放到github上，敬请大家关注。