机器学习实战2-k近邻算法

k近邻算法（KNN k nearest neighbor），一种基本的分类和回归方法。

工作原理为：

    存在一个样本数据集合，即训练样本集，且样本集中每个数据都有标签，我们知道样本集中每个数据与其所属分类的对应关系。输入没有标签的数据后，将新数据的每个特征与样本集中的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的数据。一般，我们只选择样本数据集中前k个最相似的数据，这里的k就是k-近邻算法的中k的出处，通常k不大于20.最后，选择k个最相似数据中出现次数最多的分类，作为新数据分类。

算法：

对未知类别属性的数据集中的每个点一次计算一下步骤

（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个点所在类别上的出现频率

（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

简单python代码：

from numpy import *
import operator

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

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
    #返回距离从小到大排序的序号
    sortedDistIndicies =distances.argsort()
    print sortedDistIndicies
    classCount={}

    for i in range(k):
        #获取前k个对应的分类
        votelabel = labels[sortedDistIndicies[i]]
        #统计每种分类的数量
        classCount[votelabel] = classCount.get(votelabel,0) +1 
    #将统计得到得数量从大到小排量，分类数量较大的即为最终分类结果
    sortedClassCount = sorted(classCount.iteritems(),key =operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]
        

if __name__=='__main__':
    group,labels = createDataSet()
    print group,labels
    count = classify0([0,0],group,labels,3)
    print count