k-近邻算法(kNN),它的工作原理是: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分类的对应关系。输人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(最近邻)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。
- 收集数据:可以使用任何方法。
- 准备数据:距离计算所需要的数值,最好是结构化的数据格式。
- 分析数据:可以使用任何方法。
- 训练算法:此步驟不适用于k-近邻算法。
- 测试算法:计算错误率。
使用算法:首先需要输入样本数据和结构化的输出结果,然后运行k-近邻算法判定输入数据分别属于哪个分类,最后应用对计算出的分类执行后续的处理。
使用欧氏距离公式,计算两个向量点xA和xB之间的距离:
例如,点 (0 ,0) 与 (1, 2) 之间的距离计算为:
如果数据集存在 4 个特征值,则点 (1 ,0, 0 ,1) 与 (7, 6, 9 ,4) 之间的距离计算为:
计算完所有点之间的距离后,可以对数据按照从小到大的次序排序。然后,确定前 k 个距离最小元素所在的主要分类 , 输人k总是正整数;最后,将classCount字典分解为元组列表,然后使用程序第二行导入运算符模块的itemgetter方法 ,按照第二个元素的次序对元组进行排序。此处的排序为逆序,即按照从最大到最小次序排序,最后返回发生频率最高的元素标签。
代码
1 | from numpy import * |
运行结果
1 | A |