[机器学习实战] k邻近算法

1. k邻近算法原理：

　　存在一个样本数据集，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的数据（最邻近）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邻近算法中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。

2. 分析的一般流程：

　　1）收集数据：可以使用任何方法；

　　2）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；

　　　　对于一条数据的多个特征，如果某个特征影响比较大，已经掩盖了其它特征的作用，需要对每一个特征列数据进行归一化。

　　　　归一化公式： newValue = （oldValue - min）/ （max - min），例子：

　　　　

　　　　

　　3）分析数据：可以使用任何方法；（可使用matplotlib创建散点图）

　　　　a）计算已知类别数据集中的点雨当前点之间的距离；（距离通过欧氏距离公式进行计算，相当于平面坐标点距离的计算）

　　　　　　通过矩阵具有维度的特点，将数据的计算变成矩阵的计算。

　　　　b）按照距离递增次序排序；

　　　　c）选取与当前点距离最小的k个点；

　　　　d）确定前k个点所在类别的出现频率；

　　　　e）返回前k个点出现频率最高的类别作为当前点的预测分类；

　　　　

　　4）训练算法：此步骤不适用k邻近算法；

　　5）测试算法：计算错误率；

　　6）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邻近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。

3. 应用：

　　约会网站配对；

　　手写识别系统；