机器学习笔记(二)——k-近邻算法

k-邻近算法概述

 

k-邻近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

缺点:计算复杂度高、空间复杂度高

使用数据范围: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(最邻近)的分类标签。一般来说,选取样本数据集中前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。

 

k-邻近算法代码分析:

对未知类别属性的数据集中的每个点依次执行以下操作:

(1)计算已知类别数据集中的点与当前点之间的距离;

(2)按照距离递增次序排序;

(3)选取与当前点距离最小的k个点;

(4)确定前k个点所在类别的出现频率;

(5)返回前k个点出现频率最高的类别作为当前点的预测分类。

 

代码如下:

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]

 

代码注解:

 

1shape[0] 计算矩阵的行数,shape[1]计算矩阵的列数

2tile 数组inXdataSetSize1列重复,例如:intX [0, 0],则tile计算后

          [0, 0]

          [0, 0]

          [0, 0]

          [0, 0]  

           .....   dataSetSize

3** 是指次方, diffMat**2 diffMat的平方比如[1, 2]**2 = [1, 4]

4sqDiffMat.sum(axis=1) array中每行元素的和,这些和再组成一个array

  例如: >>>a = array([[1, 2], [2, 4]])

       >>>s = a.sum(axis=1)

       >>>s

       array([3, 6]) 

       >>>a = array([[1, 2, 3], [2, 3, 4]])

       >>>s = a.sum(axis=1)

       >>>s

       array([6, 9])

  但是如果array只有一行,例如array([1, 2]), 则不能用sum(axis=1),只能用sum()

5classCount = {}新建一个dict, dict提供的get方法,如果key不存在,可以返回None,或者自己指定的value,这里classCount.get(voteIlabel, 0)是指不存在相对应key值的value则返回0

  例如:   >>> d = {‘Michael‘: 95, ‘Bob‘: 75, ‘Tracy‘: 85}

        >>> d[‘Michael‘]

       95

       >>> d[‘Thomas‘]

       Traceback (most recent call last):

         File "<stdin>", line 1, in <module>

       KeyError: ‘Thomas‘

  要避免key不存在的错误,有两种办法,一是通过in判断key是否存在:

      >>> ‘Thomas‘ in d

      False

  二是通过dict提供的get方法,如果key不存在,可以返回None,或者自己指定的value

      >>> d.get(‘Thomas‘)

      >>> d.get(‘Thomas‘, -1)

      -1

6sorted() classCount字典的第2个元素(即类别出现的次数)从大到小排序

 

 

测试代码运行效果:

    kNN.py文件:

 

from numpy import *
import operator
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]

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

技术分享

 

郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。