K-最近邻算法

KNN算法全名为k-Nearest Neighbor，就是K最近邻的意思。KNN也是一种分类算法。但是与之前说的决策树分类算法相比，这个算法算是最简单的一个了。算法的主要过程为：

1、给定一个训练集数据，每个训练集数据都是已经分好类的。

2、设定一个初始的测试数据a，计算a到训练集所有数据的欧几里得距离，并排序。

3、选出训练集中离a距离最近的K个训练集数据。

4、比较k个训练集数据，选出里面出现最多的分类类型，此分类类型即为最终测试数据a的分类。

下面百度百科上的一张简图：

KNN算法实现

首先测试数据需要2块，1个是训练集数据，就是已经分好类的数据，比如上图中的非绿色的点。还有一个是测试数据，就是上面的绿点，当然这里的测试数据不会是一个，而是一组。这里的数据与数据之间的距离用数据的特征向量做计算，特征向量可以是多维度的。通过计算特征向量与特征向量之间的欧几里得距离来推算相似度。定义训练集数据trainInput.txt:

[java] view
plaincopyprint?

a 1 2 3 4 5

b 5 4 3 2 1

c 3 3 3 3 3

d -3 -3 -3 -3 -3

a 1 2 3 4 4

b 4 4 3 2 1

c 3 3 3 2 4

d 0 0 1 1 -2

待测试数据testInput，只有特征向量值：

[java] view
plaincopyprint?

1 2 3 2 4

2 3 4 2 1

8 7 2 3 5

-3 -2 2 4 0

-4 -4 -4 -4 -4

1 2 3 4 4

4 4 3 2 1

3 3 3 2 4

0 0 1 1 -2

下面是主程序：

[java] view
plaincopyprint?

package DataMing_KNN;

import java.io.BufferedReader;

import java.io.File;

import java.io.FileReader;

import java.io.IOException;

import java.util.ArrayList;

import java.util.Arrays;

import java.util.Collection;

import java.util.Collections;

import java.util.Comparator;

import java.util.HashMap;

import java.util.Map;

import org.apache.activemq.filter.ComparisonExpression;

/**

* k最近邻算法工具类

*

* @author lyq

*

*/

public class KNNTool {

// 为4个类别设置权重，默认权重比一致

public int[] classWeightArray = new int[] { 1, 1, 1, 1 };

// 测试数据地址

private String testDataPath;

// 训练集数据地址

private String trainDataPath;

// 分类的不同类型

private ArrayList<String> classTypes;

// 结果数据

private ArrayList<Sample> resultSamples;

// 训练集数据列表容器

private ArrayList<Sample> trainSamples;

// 训练集数据

private String[][] trainData;

// 测试集数据

private String[][] testData;

public KNNTool(String trainDataPath, String testDataPath) {

this.trainDataPath = trainDataPath;

this.testDataPath = testDataPath;

readDataFormFile();

}

/**

* 从文件中阅读测试数和训练数据集

*/

private void readDataFormFile() {

ArrayList<String[]> tempArray;

tempArray = fileDataToArray(trainDataPath);

trainData = new String[tempArray.size()][];

tempArray.toArray(trainData);

classTypes = new ArrayList<>();

for (String[] s : tempArray) {

if (!classTypes.contains(s[0])) {

// 添加类型

classTypes.add(s[0]);

}

}

tempArray = fileDataToArray(testDataPath);

testData = new String[tempArray.size()][];

tempArray.toArray(testData);

}

/**

* 将文件转为列表数据输出

*

* @param filePath

* 数据文件的内容

*/

private ArrayList<String[]> fileDataToArray(String filePath) {

File file = new File(filePath);

ArrayList<String[]> dataArray = new ArrayList<String[]>();

try {

BufferedReader in = new BufferedReader(new FileReader(file));

String str;

String[] tempArray;

while ((str = in.readLine()) != null) {

tempArray = str.split(" ");

dataArray.add(tempArray);

}

in.close();

} catch (IOException e) {

e.getStackTrace();

}

return dataArray;

}

/**

* 计算样本特征向量的欧几里得距离

*

* @param f1

* 待比较样本1

* @param f2

* 待比较样本2

* @return

*/

private int computeEuclideanDistance(Sample s1, Sample s2) {

String[] f1 = s1.getFeatures();

String[] f2 = s2.getFeatures();

// 欧几里得距离

int distance = 0;

for (int i = 0; i < f1.length; i++) {

int subF1 = Integer.parseInt(f1[i]);

int subF2 = Integer.parseInt(f2[i]);

distance += (subF1 - subF2) * (subF1 - subF2);

}

return distance;

}

/**

* 计算K最近邻

* @param k

* 在多少的k范围内

*/

public void knnCompute(int k) {

String className = "";

String[] tempF = null;

Sample temp;

resultSamples = new ArrayList<>();

trainSamples = new ArrayList<>();

// 分类类别计数

HashMap<String, Integer> classCount;

// 类别权重比

HashMap<String, Integer> classWeight = new HashMap<>();

// 首先讲测试数据转化到结果数据中

for (String[] s : testData) {

temp = new Sample(s);

resultSamples.add(temp);

}

for (String[] s : trainData) {

className = s[0];

tempF = new String[s.length - 1];

System.arraycopy(s, 1, tempF, 0, s.length - 1);

temp = new Sample(className, tempF);

trainSamples.add(temp);

}

// 离样本最近排序的的训练集数据

ArrayList<Sample> kNNSample = new ArrayList<>();

// 计算训练数据集中离样本数据最近的K个训练集数据

for (Sample s : resultSamples) {

classCount = new HashMap<>();

int index = 0;

for (String type : classTypes) {

// 开始时计数为0

classCount.put(type, 0);

classWeight.put(type, classWeightArray[index++]);

}

for (Sample tS : trainSamples) {

int dis = computeEuclideanDistance(s, tS);

tS.setDistance(dis);

}

Collections.sort(trainSamples);

kNNSample.clear();

// 挑选出前k个数据作为分类标准

for (int i = 0; i < trainSamples.size(); i++) {

if (i < k) {

kNNSample.add(trainSamples.get(i));

} else {

break;

}

}

// 判定K个训练数据的多数的分类标准

for (Sample s1 : kNNSample) {

int num = classCount.get(s1.getClassName());

// 进行分类权重的叠加，默认类别权重平等，可自行改变，近的权重大，远的权重小

num += classWeight.get(s1.getClassName());

classCount.put(s1.getClassName(), num);

}

int maxCount = 0;

// 筛选出k个训练集数据中最多的一个分类

for (Map.Entry entry : classCount.entrySet()) {

if ((Integer) entry.getValue() > maxCount) {

maxCount = (Integer) entry.getValue();

s.setClassName((String) entry.getKey());

}

}

System.out.print("测试数据特征：");

for (String s1 : s.getFeatures()) {

System.out.print(s1 + " ");

}

System.out.println("分类：" + s.getClassName());

}

}

}

Sample样本数据类：

[java] view
plaincopyprint?

package DataMing_KNN;

/**

* 样本数据类

*

* @author lyq

*

*/

public class Sample implements Comparable<Sample>{

// 样本数据的分类名称

private String className;

// 样本数据的特征向量

private String[] features;

//测试样本之间的间距值，以此做排序

private Integer distance;

public Sample(String[] features){

this.features = features;

}

public Sample(String className, String[] features){

this.className = className;

this.features = features;

}

public String getClassName() {

return className;

}

public void setClassName(String className) {

this.className = className;

}

public String[] getFeatures() {

return features;

}

public void setFeatures(String[] features) {

this.features = features;

}

public Integer getDistance() {

return distance;

}

public void setDistance(int distance) {

this.distance = distance;

}

@Override

public int compareTo(Sample o) {

// TODO Auto-generated method stub

return this.getDistance().compareTo(o.getDistance());

}

}

测试场景类：

[java] view
plaincopyprint?

/**

* k最近邻算法场景类型

* @author lyq

*

*/

public class Client {

public static void main(String[] args){

String trainDataPath = "C:\\Users\\lyq\\Desktop\\icon\\trainInput.txt";

String testDataPath = "C:\\Users\\lyq\\Desktop\\icon\\testinput.txt";

KNNTool tool = new KNNTool(trainDataPath, testDataPath);

tool.knnCompute(3);

}

}

执行的结果为：

[java] view
plaincopyprint?

测试数据特征：1 2 3 2 4 分类：a

测试数据特征：2 3 4 2 1 分类：c

测试数据特征：8 7 2 3 5 分类：b

测试数据特征：-3 -2 2 4 0 分类：a

测试数据特征：-4 -4 -4 -4 -4 分类：d

测试数据特征：1 2 3 4 4 分类：a

测试数据特征：4 4 3 2 1 分类：b

测试数据特征：3 3 3 2 4 分类：c

测试数据特征：0 0 1 1 -2 分类：d

程序的输出结果如上所示，如果不相信的话可以自己动手计算进行验证。

KNN算法的注意点：

1、knn算法的训练集数据必须要相对公平，各个类型的数据数量应该是平均的，否则当A数据由1000个B数据由100个，到时无论如何A数据的样本还是占优的。

2、knn算法如果纯粹凭借分类的多少做判断，还是可以继续优化的，比如近的数据的权重可以设大，最后根据所有的类型权重和进行比较，而不是单纯的凭借数量。

3、knn算法的缺点是计算量大，这个从程序中也应该看得出来，里面每个测试数据都要计算到所有的训练集数据之间的欧式距离，时间复杂度就已经为O(n*n)，如果真实数据的n非常大，这个算法的开销的确态度，所以KNN不适合大规模数据量的分类。

KNN算法编码时遇到的困难：

按理来说这么简单的KNN算法本应该是没有多少的难度，但是在多欧式距离的排序上被深深的坑了一段时间，本人起初用Collections.sort(list)的方式进行按距离排序，也把Sample类实现了Compareable接口，但是排序就是不变，最后才知道，distance的int类型要改为Integer引用类型，在compareTo重载方法中调用distance的.CompareTo()方法就成功了，这个小细节平时没注意，难道属性的比较最终一定要调用到引用类型的compareTo()方法？这个小问题竟然花费了我一段时间，最后仔细的比较了一下网上的例子最后才发现......