摘要：而代碼是給出現情況增加次數，出現一次排序導入運算符模塊的方法，按照第二個元素的次序對元組進行排序，此處的排序為逆序。

k近鄰是一種基本分類與回歸方法.

輸入:特征向量

輸出:實例的類別(可取多類)

核心思想:如果一個樣本在特征空間中的k個最相鄰的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性.

優點:計算精度高、對異常值不敏感、無數據輸入假定

缺點:計算復雜度高、空間復雜度高

適用范圍:數值型和標稱型

收集數據
準備數據：距離計算所需要的數值，最好是結構化的數據格式
分析數據：可以適用任何方法
訓練算法：此步驟不適用于KNN
測試算法：計算錯誤率
使用算法：首先需要輸入樣本數據和結構化的輸出結果，然后運行k-近鄰算法判定輸入數據分別屬于哪個分類，最后應用對計算出的分類執行后續的處理

構造數據集

import numpy as np

def create_data_set():
    """構造數據集"""
    group = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
    label = ["A", "A", "B", "B"]
    return group, label

生成數據集

group, label = create_data_set()

實現kNN算法偽代碼

對未知類別屬性的數據集種的每個點依次執行以下步驟：

1. 計算已知類別屬性的數據集中的每個點與當前點之間的距離

2. 按照距離遞增次序排序

3. 選取與當前點距離最小的k個點

4. 確定前k個點所在類別的出現頻率

5. 返回前k個點出現頻率最高的類別作為當前點的預測分類
?

import operator

def classify0(inX, data_set, label, k):
    """
    KNN算法
    :param inX: 用于分類的輸入向量
    :param data_set: 訓練樣本集
    :param label: 訓練標簽向量
    :param k: 選取最近鄰居的數量
    :return: k個鄰居里頻率最高的分類
    """

    """距離計算"""
    # 獲得樣本量
    data_set_size = data_set.shape[0]
    # tile：在行方向重復inX,dataSetSize次，在列方向上重復inX,1次
    diff_mat = np.tile(inX, (data_set_size, 1)) - data_set
    # 離原點的距離，相見后平方
    sq_diff_mat = diff_mat ** 2
    # x軸和y軸差的平方和
    sq_distances = sq_diff_mat.sum(axis=1)
    # 然后開方
    distances = sq_distances ** 0.5
    # argsort函數返回的是數組值從小到大的索引值
    sorted_distance_index = distances.argsort()
    class_count = {}
    """選擇距離最小的點"""
    for i in range(k):
        # 返回距離最近的第i個樣本所對應的標簽
        vote_label = label[sorted_distance_index[i]]
        # print(voteIlabel)
        # print(classCount.get(voteIlabel, 0))
        # 這里的0是設置默認值為0,而代替None。而代碼是給出現情況增加次數，出現一次+1
        class_count[vote_label] = class_count.get(vote_label, 0) + 1
        # print(classCount)
    """排序"""
    # 導入運算符模塊的itemgetter方法，按照第二個元素的次序對元組進行排序，此處的排序為逆序。
    sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)
    # 返回頻率最大的Label
    return sorted_class_count[0][0]

添加算法測試代碼

classify0([0, 0], group, label, k=3)

加載并解析數據

# 將文本記錄轉換為numpy的解析程序
def file2matrix(filename):
    fr = open(filename)
    # readlines把文件所有內容讀取出來，組成一個列表，其中一行為一個元素
    array_of_lines = fr.readlines()
    number_of_lines = len(array_of_lines)
    # 返回一個用1000行每行3個0填充的數組，形成特征矩陣
    return_mat = np.zeros((number_of_lines, 3))
    class_label_vector = []
    for index, line in enumerate(array_of_lines):
        # 去除每行前后的空格
        line = line.strip()
        # 根據	把每行分隔成由四個元素組成的列表
        list_from_line = line.split("	")
        # 選取前3個元素，將它們按順序存儲到特征矩陣中
        return_mat[index, :] = list_from_line[0: 3]
        # 將列表的最后一個元素儲存到class_label_vector中去，儲存的元素值為整型
        class_label_vector.append(int(list_from_line[-1]))
    return return_mat, class_label_vector

獲得解析數據

dating_data_mat, dating_labels = file2matrix("datingTestSet2.txt")

使用Matplotlib創建散點圖

import matplotlib.pyplot as plt

# 創建Figure實例
fig = plt.figure()
# 添加一個子圖，返回Axes實例
ax = fig.add_subplot(111)  # 選取最近鄰居的數量
# 生成散點圖，x軸使用dating_data_mat第二列數據，y軸使用dating_data_mat的第三列數據
# ax.scatter(x=dating_data_mat[:, 1], y=dating_data_mat[:, 2])
# 個性化標記散點圖，形狀(s)和顏色(c)
ax.scatter(x=dating_data_mat[:, 1], y=dating_data_mat[:, 2], s=15.0 * np.array(dating_labels), c=np.array(dating_labels))
plt.show()

歸一化特征值

def auto_num(data_set):
    """
    歸一化特征值
    :param data_set: 數據集
    :return 歸一化后的數據集， 列的差值范圍， 列的最小值
    """
    # 列的最小值
    min_val = data_set.min()
    # 列的最大值
    max_val = data_set.max()
    # 列的差值范圍
    range_s = max_val - min_val
    # 構造返回矩陣
    norm_data_set = np.zeros(shape=np.shape(data_set))
    # m = data_set.shape[0]
    # oldValue - min
    norm_data_set = data_set - np.tile(min_val, (data_set.shape[0], 1))
    # (oldValue - min) / (max - min)
    norm_data_set = norm_data_set / np.tile(range_s, (data_set.shape[0], 1))
    return norm_data_set, range_s, min_val

歸一化測試

normalize_data_set, ranges, min_val = auto_num(dating_data_mat)
print(normalize_data_set)

測試算法

def dating_class_test():
    # 選擇測試數據量
    ho_ratio = 0.10
    # 解析數據
    dating_data_mat, dating_labels = file2matrix("datingTestSet2.txt")
    # 歸一化數據
    norm_mat, range_s, min_val = auto_num(dating_data_mat)
    # 拆分10%數據作為測試數據
    m = norm_mat.shape[0]  # 總數據量
    num_test_vec = int(m * ho_ratio)  # 測試數據量
    # 錯誤樣本計數
    error_count = 0.0
    # 對測試數據進行分類，并對比檢驗結果正確率
    for i in range(num_test_vec):
        classifier_result = classify0(  # classifier_result : k個鄰居里頻率最高的分類
            norm_mat[i, :],  # 用于分類的輸入向量(測試數據, : 表示一行內所有元素)
            norm_mat[num_test_vec: m, :],  # 訓練樣本集(從測試的數據開始到總數據量結束)
            dating_labels[num_test_vec:m],  # 訓練標簽向量(從測試的數據開始到總數據量結束)
            3  # 選取最近鄰居的數量
        )
        print("the classifier came back with: %d, the real answer is: %d" % (classifier_result, dating_labels[i]))
        if classifier_result != dating_labels[i]:
            error_count += 1.0
    print("the total error rate is: %f" % (error_count / float(num_test_vec)))

執行測試

dating_class_test()

使用算法

def classify_person():
    """
    根據輸入指標，通過分類器進行預測喜歡程度
    :return:
    """
    result_list = ["not at all", "in small doses", "in large doses"]
    percent_tats = float(input("percentage of time spent playing vedio games?"))
    ff_miles = float(input("frequent flier miles earned per year?"))
    ice_cream = float(input("liters of ice cream consumed per year?"))
    dating_data, dating_labels = file2matrix("datingTestSet2.txt")
    normalize_matrix, ranges, min_val = auto_num(dating_data)
    # 將輸入指標，歸一化后代入分類器進行預測
    in_arr = np.array([ff_miles, percent_tats, ice_cream])
    print(in_arr, min_val, ranges, (in_arr-min_val)/ranges)
    print(ranges)
    classifier_result = classify0((in_arr-min_val)/ranges, normalize_matrix, dating_labels, 3)
    print("You will probably like this person: ", result_list[classifier_result - 1])

執行函數

classify_person()

輸出

percentage of time spent playing vedio games?20
frequent flier miles earned per year?299
liters of ice cream consumed per year?1
You will probably like this person:  in large doses

sklearn中實現

from sklearn import neighbors

def knn_classify_person():
    """
        根據輸入指標，通過分類器進行預測喜歡程度
    :return:
    """
    result_list = np.array(["not at all", "in small doses", "in large doses"])
    percent_tats = float(input("percentage of time spent playing vedio games?"))
    ff_miles = float(input("frequent flier miles earned per year?"))
    ice_cream = float(input("liters of ice cream consumed per year?"))
    dating_data, dating_labels = file2matrix("datingTestSet2.txt")
    normalize_matrix, ranges, min_val = auto_num(dating_data)
    # 將輸入指標，歸一化后代入分類器進行預測
    in_arr = np.array([ff_miles, percent_tats, ice_cream])
    # 聲明k為3的knn算法,n_neighbors即是鄰居數量，默認值為5
    knn = neighbors.KNeighborsClassifier(n_neighbors=3)
    # 訓練算法
    knn.fit(normalize_matrix, dating_labels)
    # 預測
    classifier_result = knn.predict([(in_arr - min_val) / ranges])
    print("You will probably like this person: ", result_list[classifier_result - 1][0])


# 執行函數
knn_classify_person()