K近邻算法概述

优点：精度高、对异常数据不敏感、无数据输入假定

缺点：计算复杂度高、空间复杂度高

适用数据范围：数值型和标称型

工作原理：

存在一个样本数据集合，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

中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中

前K各最相似的数据，这就是k——近邻算法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

K-近邻算法的一般流程

（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

（3）分析数据：可以使用任何方法

（4）训练算法：此步骤不适用于k—近邻算法

（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-近邻算法

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

1 from numpy import * 2 import operator 3 from os import listdir 4 def createDataSet(): 5     group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) 6     labels=['A','A','B','B'] 7     return group,labels 8  9 10 def classify0(inX, dataSet, labels, k):11     dataSetSize = dataSet.shape[0]12     #距离计算13     diffMat = tile(inX, (dataSetSize,1)) - dataSet14     sqDiffMat = diffMat**215     sqDistances = sqDiffMat.sum(axis=1)16     distances = sqDistances**0.517     # 按降序排列18     sortedDistIndicies = distances.argsort()19     classCount={}20     #选择距离最小的k个点21     for i in range(k):22         voteIlabel = labels[sortedDistIndicies[i]]23         classCount[voteIlabel] = classCount.get(voteIlabel,0) + 124         #排序25     sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)26     return sortedClassCount27 28 group,labels=createDataSet()29 A=classify0([0,0],group,labels,3)30 print(A)

 K-近邻算法是分类数据最简单最有效的算法。K-近邻算法是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数据。k-近邻算法必须保存全部数据集，如果训练数据集很大，必须使用大量的存储空间。此外，由于必须对数据集中的每个数据计算距离值，实际使用时可能非常耗时。

K-近邻算法的另一个缺陷是它无法给出任何数据的基础结构信息，因此我们也无法知晓平均实例样本和典型实例样本具有什么特征。