k近邻分类算法.doc

第2章k-近邻算法(kNN) 引言 本介绍kNN算法的基本理论以及如何使用距离测量的方法分类物品。其次，将使用python从文本文件中导入并解析数据，然后，当存在许多数据来源时，如何避免计算距离时可能碰到的一些常见的错识。 k-近邻算法概述 k-近邻(k Nearest Neighbors)算法采用测量不同特征之间的距离方法进行分类。它的工作原理是：存在一个样本数据集合，并且样本集中每个数据都存在标签，即我们知道样本每一数据与所属分类的对应关系。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的分类标签。一般来说，我们只选择样本数据集中前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-近邻算法的优点是精度高，对异常值不敏感，无数据输入假定；缺点是计算复杂度高、空间复杂度高。适用于数值和型数据。 首先，创建名为kNN.py的python模块，然后添加下面代码： from numpy import *#引入科学计算包import operator #经典python函数库。运算符模块。 #创建数据集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 createDataSet() 注意：要将kNN.py文件放到Python27文件夹下，否则提示找不到文件。 2.2.2 实施kNN算法 使用k-近邻算法将每组数据划分到某个类中，其伪代码如下： 对未知类别属性的数据集中的每个点依次执行以下操作： 计算已知类别数据集中的点与当前点之间的距离； 按照距离递增交序排序； 选取与当前点距离最小的k个点； 确定前k个点所在类别的出现频率； 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。 例如，点(0, 0)与(1, 2)之间的距离计算为: python函数classify(　)程序如下所示： #算法核心#inX：用于分类的输入向量。即将对其进行分类。#dataSet：训练样本集#labels:标签向量def classfy0(inX,dataSet,labels,k):??? #距离计算 #得到数组的行数。即知道有几个训练数据??? dataSetSize =dataSet.shape[0]??? diffMat???? =tile(inX,(dataSetSize,1))-dataSet #将inX扩展为4行2列的向量，两个矩阵相减 sqDiffMat?? =diffMat**2 #平方 sqDistances =sqDiffMat.sum(axis=1) #asis=1是按行相加 distances?? =sqDistances**0.5 #开方 sortedDistIndicies=distances.argsort() #升序排列??? #选择距离最小的k个点。??? classCount={}??? for i in range(k):??????? voteIlabel=labels[sortedDistIndicies[i]]??????? classCount[voteIlabel]=classCount.get(voteIlabel,0)+1??? #排序??? sortedClassCount=sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)??? return sortedClassCount[0][0] 测试:kNN .classify0([0,0],group, labels,3) 2.2示例：使用k-近邻算法改进约会网站的配对结果 在约会网站上使用k-近邻算法的步骤： 1.收集数据：提供文本文件。 准备数据：使用python解析文本文件。 分析数据：使用Matplotlib画二维扩散图。 训练算法：此步骤不适用于k-近邻算法。 测试算法：使用部分数据作为测试样本。测试样本与非测试样本的区别在于：测试样本是已经完成分类的数据，如果预没分类与实际类别不同，则标记为一个error. 使用算法：产生简单的命令行程序，然后可以输入一些特征数据以判断对方是否为自己喜欢的类型。 将数据存放到文本文件，每一个样本数据占据一行。首先，必须将特处理数据改变为分类器可以接受的格式。在kNN.py中创建file2matrix的函数，以此来处理输入格式