本來這篇文章是5月份寫的，今天修改了一下內容，就成今天發表的了，CSDN這是出BUG了還是什么改規則了。。。
引文 ：決策樹和基于規則的分類器都是 積極學習方法 （eager learner）的例子，因為一旦訓練數據可用，他們就開始學習從輸入屬性到類標號的映射模型。一個相反的策略是推遲對訓練數據的建模，直到需要分類測試樣例時再進行。采用這種策略的技術被稱為 消極學習法 （lazy learner）。 最近鄰分類器 就是這樣的一種方法。
注：KNN既可以用于分類，也可以用于回歸。
1.K最近鄰分類器原理
首先給出一張圖，根據這張圖來理解最近鄰分類器，如下：
根據上圖所示，有兩類不同的樣本數據，分別用 藍色的小正方形 和 紅色的小三角形 表示，而圖正中間的那個 綠色的圓 所標示的數據則是待分類的數據。也就是說，現在， 我們不知道中間那個綠色的數據是從屬于哪一類（藍色小正方形or紅色小三角形），下面，我們就要解決這個問題：給這個綠色的圓分類。
我們常說，物以類聚，人以群分，判別一個人是一個什么樣品質特征的人，常常可以從他or她身邊的朋友入手，所謂觀其友，而識其人。我們不是要判別上圖中那個綠色的圓是屬于哪一類數據么，好說，從它的鄰居下手。但一次性看多少個鄰居呢？從上圖中，你還能看到：
- 如果K=3，綠色圓點的最近的3個鄰居是2個紅色小三角形和1個藍色小正方形，少數從屬于多數，基于統計的方法，判定綠色的這個待分類點屬于紅色的三角形一類。
- 如果K=5，綠色圓點的最近的5個鄰居是2個紅色三角形和3個藍色的正方形，還是少數從屬于多數，基于統計的方法，判定綠色的這個待分類點屬于藍色的正方形一類。
于此我們看到，當無法判定當前待分類點是從屬于已知分類中的哪一類時，我們可以依據統計學的理論看它所處的位置特征，衡量它周圍鄰居的權重，而把它歸為(或分配)到權重更大的那一類。這就是K近鄰算法的核心思想。其關鍵還在于K值的選取，所以應當謹慎。
KNN算法中，所選擇的鄰居都是已經正確分類的對象。該方法在定類決策上只依據最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。
KNN 算法本身簡單有效，它是一種 lazy-learning 算法，分類器不需要使用訓練集進行訓練，訓練時間復雜度為0。KNN 分類的計算復雜度和訓練集中的文檔數目成正比，也就是說，如果訓練集中文檔總數為 n，那么 KNN 的分類時間復雜度為O(n)。
前面的例子中強調了選擇合適的K值的重要性。如果太小，則最近鄰分類器容易受到訓練數據的噪聲而產生的過分擬合的影響；相反，如果K太大，最近分類器可能會誤會分類測試樣例，因為最近鄰列表中可能包含遠離其近鄰的數據點。（如下圖所示）
?
K較大時的最近鄰分類
可見，K值的選取還是非常關鍵。
2.算法 算法描述
k近鄰算法簡單、直觀：給定一個訓練數據集（包括類別標簽），對新的輸入實例，在訓練數據集中找到與該實例最鄰近的k個實例，這k個實例的多數屬于某個類，就把該輸入實例分為這個類。下面是knn的算法步驟。
算法步驟如下所示：
對每個測試樣例 z=(x′,y′) ，算法計算它和所有訓練樣例 （x,y）屬于D 之間的距離（如歐氏距離，或相似度），以確定其最近鄰列表 Dz 。如果訓練樣例的數目很大，那么這種計算的開銷就會很大。不過，可以使索引技術降低為測試樣例找最近鄰是的計算量。
特征空間中兩個實例點的距離是兩個實例相似程度的反映。
一旦得到最近鄰列表，測試樣例就可以根據最近鄰的多數類進行分類，使用多數表決方法。
K值選擇
k值對模型的預測有著直接的影響，如果k值過小，預測結果對鄰近的實例點非常敏感。如果鄰近的實例恰巧是噪聲數據，預測就會出錯。也就是說，k值越小就意味著整個模型就變得越復雜，越容易發生過擬合。
相反，如果k值越大，有點是可以減少模型的預測誤差，缺點是學習的近似誤差會增大。會使得距離實例點較遠的點也起作用，致使預測發生錯誤。同時，k值的增大意味著模型變得越來越簡單。如果k=N，那么無論輸入實例是什么，都將簡單的把它預測為樣本中最多的一類。這顯然實不可取的。
在實際建模應用中，k值一般取一個較小的數值，通常采用cross-validation的方法來選擇最優的k值。
3.K最鄰近算法實現（Python）
KNN.py（代碼來源《機器學習實戰》一書）
from numpy import *
import operator
class KNN:
def createDataset(self):
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels = ['A','A','B','B']
return group,labels
def KnnClassify(self,testX,trainX,labels,K):
[N,M]=trainX.shape
#calculate the distance between testX and other training samples
difference = tile(testX,(N,1)) - trainX # tile for array and repeat for matrix in Python, == repmat in Matlab
difference = difference ** 2 # take pow(difference,2)
distance = difference.sum(1) # take the sum of difference from all dimensions
distance = distance ** 0.5
sortdiffidx = distance.argsort()
# find the k nearest neighbours
vote = {} #create the dictionary
for i in range(K):
ith_label = labels[sortdiffidx[i]];
vote[ith_label] = vote.get(ith_label,0)+1 #get(ith_label,0) : if dictionary 'vote' exist key 'ith_label', return vote[ith_label]; else return 0
sortedvote = sorted(vote.iteritems(),key = lambda x:x[1], reverse = True)
# 'key = lambda x: x[1]' can be substituted by operator.itemgetter(1)
return sortedvote[0][0]
k = KNN() #create KNN object
group,labels = k.createDataset()
cls = k.KnnClassify([0,0],group,labels,3)
print cls
運行：
1. 在Python Shell 中可以運行KNN.py
>>>import os
>>>os.chdir("/home/liudiwei/code/data_miningKNN/")
>>>execfile("KNN.py")
輸出:B
（B表示類別）
2.或者terminal中直接運行
$ python KNN.py
3.也可以不在KNN.py中寫輸出，而選擇在Shell中獲得結果，i.e.,
>>>import KNN
>>> KNN.k.KnnClassify([0,0],KNN.group,KNN.labels,3)
附件（兩張自己的計算過程圖）：
?
圖
1 KNN算法核心部分
?
圖2 KNN計算過程
說明：上述圖片僅供參考，看不懂就自己測試一組數據如[0,1]慢慢推導一下吧
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
