KNN算法及其应用

一、KNN算法介绍
1. 综述
1.1 Cover和Hart在1968年提出了最初的邻近算法
1.2 分类(classification)算法
1.3 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)

1. 例子：
   
   未知电影属于什么类型？
   
   

2. 算法详述

   3.1 步骤：
   为了判断未知实例的类别，以所有已知类别的实例作为参照
   选择参数K
   计算未知实例与所有已知实例的距离
   选择最近K个已知实例
   根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别

   3.2 细节:
   关于K
   关于距离的衡量方法:
   3.2.1 Euclidean Distance 定义
   

   其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）

   3.3 举例
   

3. 算法优缺点：
   4.1 算法优点
   简单
   易于理解
   容易实现
   通过对K的选择可具备丢噪音数据的健壮性

   4.2 算法缺点
   
   需要大量空间储存所有已知实例
   算法复杂度高（需要比较所有已知实例与要分类的实例）
   当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本（如图中的Y点所示）

4. 改进版本
   考虑距离，根据距离加上权重（如图Y点可以加权重）
   比如: 1/d (d: 距离）

二、KNN算法应用

1 数据集介绍：

虹膜

150个实例

萼片长度，萼片宽度，花瓣长度，花瓣宽度
(sepal length, sepal width, petal length and petal width）

类别：
Iris setosa, Iris versicolor, Iris virginica.

1. 利用Python的机器学习库sklearn: SkLearnExample.py（内部有虹膜实例及其算法）

from sklearn import neighbors
from sklearn import datasets
from sklearn.neighbors.classification import KNeighborsClassifier
from docutils.nodes import target

knn = KNeighborsClassifier()   #实例化分类器

iris = datasets.load_iris()    #加载数据集

print(iris)

knn.fit(iris.data, iris.target)

predictedLabel = knn.predict([[0.1,0.2,0.3,0.4]])

print(predictedLabel)

1. KNN 实现Implementation:

import csv
import random
import math
import operator

def loadDataset(filename, split, trainingSet=[] , testSet=[]):
    with open(filename, 'rt',encoding="utf-8") as csvfile: #含有中文路径需要加encoding="utf-8"
        lines = csv.reader(csvfile)
        dataset = list(lines)
        for x in range(len(dataset)-1):
            for y in range(4):
                dataset[x][y] = float(dataset[x][y])
            if random.random() < split:
                trainingSet.append(dataset[x])
            else:
                testSet.append(dataset[x])

def euclideanDistance(instance1,instance2,length):
    distance = 0
    for x in range(length):
        distance +=pow((instance1[x]-instance2[x]),2)
        return math.sqrt(distance)

def getNeighbors(trainingSet, testInstance, k):
    distances = []
    length = len(testInstance)-1
    for x in range(len(trainingSet)):
        dist = euclideanDistance(testInstance, trainingSet[x], length)
        distances.append((trainingSet[x], dist))
    distances.sort(key=operator.itemgetter(1))
    neighbors = []
    for x in range(k):
        neighbors.append(distances[x][0])
    return neighbors

def getResponse(neighbors):
    classVotes = {}
    for x in range(len(neighbors)):
        response = neighbors[x][-1]
        if response in classVotes:
            classVotes[response] += 1
        else:
            classVotes[response] = 1
    sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True)
    return sortedVotes[0][0]

def getAccuracy(testSet, predictions):
    correct = 0
    for x in range(len(testSet)):
        if testSet[x][-1] == predictions[x]:
            correct += 1
    return (correct/float(len(testSet))) * 100.0

def main():
    # prepare data
    trainingSet=[]
    testSet=[]
    split = 0.67
    loadDataset(r'G:\机器视觉\irisdata.txt', split, trainingSet, testSet)
    print ('Train set: ' + repr(len(trainingSet)))
    print ('Test set: ' + repr(len(testSet)))
    # generate predictions
    predictions=[]
    k = 3
    for x in range(len(testSet)):
        neighbors = getNeighbors(trainingSet, testSet[x], k)
        result = getResponse(neighbors)
        predictions.append(result)
        print('> predicted=' + repr(result) + ', actual=' + repr(testSet[x][-1]))
    accuracy = getAccuracy(testSet, predictions)
    print('Accuracy: ' + repr(accuracy) + '%')

main()