算法工程师修仙之路：机器学习实战（四）

第一部分：分类

第二章 k-近邻算法

k-近邻算法概述

• 简单地说，k-近邻算法采用测量不同特征值之间的距离方法进行分类。

• k-近邻算法

  • 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。
  • 适用数据范围：数值型和标称型。

• k-近邻算法（kNN）的工作原理

  • 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（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。

• 实例说明：使用k-近邻算法分类爱情片和动作片

  • 首先我们需要知道这个未知电影存在多少个打斗镜头和接吻镜头，图2-1中问号位置是该未知电影出现的镜头数图形化展示，具体数字参见表2-1：
    
  • 即使不知道未知电影属于哪种类型，我们也可以通过某种方法计算出来。首先计算未知电影与样本集中其他电影的距离，如表2-2所示：
    
  • 现在我们得到了样本集中所有电影与未知电影的距离，按照距离递增排序，可以找到 k 个距离最近的电影。
  • 假定 k=3，则三个最靠近的电影依次是 He’s Not Really into Dudes、Beautiful Woman 和 California Man。
  • k-近邻算法按照距离最近的三部电影的类型，决定未知电影的类型，而这三部电影全是爱情片，因此我们判定未知电影是爱情片。

• k-近邻算法的一般流程

  • 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：此步骤不适用于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。

准备：使用 Python 导入数据

• 首先，创建名为 的 Python 模块，本章使用的所有代码都在这个文件中。

• 在构造完整的k-近邻算法之前，我们还需要编写一些基本的通用函数，在 文件中增加下面的代码：

  import numpy as np  # 导入第一个模块：科学计算包NumPy
  from numpy import *
  import operator     # 导入第二个模块：运算符模块，k-近邻算法执行排序操作时将使用这个模块提供的函数
  
  def createDataSet():        # 为了方便使用 createDataSet() 函数，它创建数据集和标签
      group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
      labels = ['A', 'A', 'B', 'B']
      return group, labels
  

• 打开 ipython 进行交互式开发环境。

• 进入 IPython 开发环境之后，输入下列命令导入上面编辑的程序模块：

  # 这里首先要把环境切换到存放 KNN.py 处
  # 由于我存放的位置为桌面，所以首先使用 cd C:\Users\fangz\Desktop
  In [1]: import KNN	# 导入kNN模块。
  

• 为了确保输入相同的数据集，KNN 模块中定义了函数 createDataSet，在 IPython 命令提示符下输入下列命令：

  # 创建了变量 group 和 labels
  In [2]: group, labels = KNN.createDataSet()
  

• 在 IPython 命令提示符下，输入变量的名字以检验是否正确地定义变量：

  In [3]: group
  Out[3]: 
  array([[ 1. ,  1.1],
         [ 1. ,  1. ],
         [ 0. ,  0. ],
         [ 0. ,  0.1]])
  
  I