机器学习实战(一)k-近邻算法

　　转载请注明源出处：http://www.cnblogs.com/lighten/p/7593656.html

1.原理

　　本章介绍机器学习实战的第一个算法——k近邻算法（k Nearest Neighbor），也称为kNN。说到机器学习，一般都认为是很复杂，很高深的内容，但实际上其学习门栏并不算高，具备基本的高等数学知识（包括线性代数，概率论）就可以了，甚至一些算法高中生就能够理解了。kNN算法就是一个原理很好理解的算法，不需要多好的数学功底，这是一个分类算法（另一个大类是回归），属于监督学习的范畴（还有非监督学习，监督学习需要注有标记的训练集）。

　　首先，分类顾名思义就是给同一种事物分成不同的种类，比如人分成男人、女人，书分为工具书，教科书，漫画书等。要对一个事物分类，要有分类的依据，即你为什么这样划分，有时候划分的依据十分准确比如男女按性别，但很多时候是由多个因素来决定划分到哪一个类别，而不同的分类某一单一的因素又可能存在交集，这些因素在机器学习中被称之为特征，特征的选择对算法的准确率也是有影响的。个体用一组特征数据来进行描述，这样计算机处理就成了可能，分类算法所要做的就是判断这个个体所给出的特征属于哪一个类别。方法有很多，kNN采取了一个最简单的方法来判断：判断其与已知分类的训练集数据的差异，差异最小的前k个训练集个体大部分处于哪个分类该输入个体就被认作是哪个分类。

　　这个原理很好理解，比如判断男女，特征只有身高，体重。通常来说男人都比女人要高和重，即便女人要高，体重也比同等级的男人大部分会轻。所以对于一个输入个体来说，在已知身高、体重的情况下，求其与训练集样本的身高、体重差异，找到训练集中差异最小的k个个体，这k个个体如果大部分是男人，则输入样本就是男人，否则则是女人。选择差异最小的k个个体也就是为了避免小部分不同寻常的样本，因为男人都比女人要高和重也只是大部分情况，这样选择k个的权重，可信度就较高了。差异计算一般采用欧式距离，即各个特征相减，求平方和，开根号：

　　

　　上图就是差异的定义了，这样挑选出K个最小的训练集，已知这些训练集的分类，选择K个训练集大部分所属的分类就是新输入个体的分类了。

2.问题及优缺点

　　kNN算法的原理简单易懂，但是在实现过程中也是有些问题需要解决的。首先我们需要关注d的计算，kNN选择的是d最小的k个训练集个体，所以d的结果合理性是很重要的。但是由该公式可以很明显的看出，d的大小很可能受到某一单一的特征影响。试想一下如果X的取值范围在1~10，Y的取值范围在1000~10000，那么d的大小严重受到Y特征的影响，那么X的作用就几乎没有了。解决该问题的方法就是将数值归一化，意思就是不管X还是Y，按照合理的放缩方法，使他们落在同一个范围区间，一般就选择0~1之间了。这个放缩方法也并不难得出，公式如下：

　　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

　　从kNN的实现上也能看出来，其计算代价较高，每个个体都需要和所有的训练集个体进行比较，而且kNN算法无法获得指定分类的一般性特征，因此其不适合大量的训练集。

3.代码

　　下面代码出自《机器学习实战》一书，原书中所有代码例子可以在网站：这里。进行下载。

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
    sortedDistIndicies = distances.argsort()
    classCount={}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

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