机器学习算法及代码实现–K邻近算法

机器学习算法及代码实现–K邻近算法

1、K邻近算法

将标注好类别的训练样本映射到X（选取的特征数）维的坐标系之中，同样将测试样本映射到X维的坐标系之中，选取距离该测试样本欧氏距离（两点间距离公式）最近的k个训练样本，其中哪个训练样本类别占比最大，我们就认为它是该测试样本所属的类别。

2、算法步骤：

 1）为了判断未知实例的类别，以所有已知类别的实例作为参照
 2）选择参数K
 3）计算未知实例与所有已知实例的距离
 4）选择最近K个已知实例
 5）根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别

3、距离

Euclidean Distance 定义
其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）

其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）

4、例子

将其映射到2维空间

求距G点最近的k点中哪一类点最多，就可以预测G点类型。

5、算法优缺点：

优点
1）简单
2）易于理解
3）容易实现
4）通过对K的选择可具备丢噪音数据的健壮性

缺点

      1）需要大量空间储存所有已知实例
      2）算法复杂度高（需要比较所有已知实例与要分类的实例）
      3） 当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本

6、 改进版本

  考虑距离，根据距离加上权重
  比如: 1/d (d: 距离）

代码

# -*- coding: utf-8 -*-
from sklearn import neighbors
from sklearn import datasets
# 调用knn分类器
knn = neighbors.KNeighborsClassifier()
# 导入数据集
iris = datasets.load_iris()

print iris

# 训练
knn.fit(iris.data, iris.target)

# 预测
predictedLabel = knn.predict([[0.1, 0.2, 0.3, 0.4]])
print 'predictedLabel:'
print predictedLabel