把近朱者赤，近墨者黑這一思想運(yùn)用到機(jī)器學(xué)習(xí)中會(huì)產(chǎn)生什么?當(dāng)然是KNN最鄰近算法啦!KNN(全稱K-Nearest Neighbor)最鄰近分類算法是數(shù)據(jù)挖掘分類算法中最簡(jiǎn)單的算法之一，白話解釋一下就是：由你的鄰居來(lái)推斷出你的類別。那么KNN算法的原理是什么，如何實(shí)現(xiàn)?一起與小編來(lái)看下面的內(nèi)容吧。

一、KNN最鄰近算法概念

KNN最鄰近算法，是著名的模式識(shí)別統(tǒng)計(jì)學(xué)方法之一，在機(jī)器學(xué)習(xí)分類算法中占有很高的地位。KNN最鄰近算法在理論上比較成熟，不僅是最簡(jiǎn)單的機(jī)器學(xué)習(xí)算法之一，而且也是基于實(shí)例的學(xué)習(xí)方法中最基本的，最好的文本分類算法之一。

KNN最鄰近算法基本做法是：給定測(cè)試實(shí)例，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個(gè)實(shí)例點(diǎn)，然后基于這k個(gè)最近鄰的信息來(lái)進(jìn)行預(yù)測(cè)。

KNN最鄰近算法不具有顯式的學(xué)習(xí)過(guò)程，事實(shí)上，它是懶惰學(xué)習(xí)(lazy learning)的著名代表，此類學(xué)習(xí)技術(shù)在訓(xùn)練階段僅僅是把樣本保存起來(lái)，訓(xùn)練時(shí)間開(kāi)銷為零，待收到測(cè)試樣本后再進(jìn)行處理。

二、KNN最鄰近算法三要素

KNN最鄰近算法三要素為：距離度量、k值的選擇及分類決策規(guī)則。根據(jù)選擇的距離度量(如曼哈頓距離或歐氏距離)，可計(jì)算測(cè)試實(shí)例與訓(xùn)練集中的每個(gè)實(shí)例點(diǎn)的距離，根據(jù)k值選擇k個(gè)最近鄰點(diǎn)，最后根據(jù)分類決策規(guī)則將測(cè)試實(shí)例分類。

1.距離度量

特征空間中的兩個(gè)實(shí)例點(diǎn)的距離是兩個(gè)實(shí)例點(diǎn)相似程度的反映。K近鄰法的特征空間一般是n維實(shí)數(shù)向量空間Rn。使用的距離是歐氏距離，但也可以是其他距離，如更一般的Lp距離或Minkowski距離。

這里p≥1.

當(dāng)p=1時(shí)，稱為曼哈頓距離(Manhattan distance)，即

當(dāng)p=2時(shí)，稱為歐氏距離(Euclidean distance)，即

2.k值的選擇

k值的選擇會(huì)對(duì)KNN最鄰近算法的結(jié)果產(chǎn)生重大影響。在應(yīng)用中，k值一般取一個(gè)比較小的數(shù)值，通常采用交叉驗(yàn)證法來(lái)選取最優(yōu)的k值。

3.分類決策規(guī)則

KNN最鄰近算法中的分類決策規(guī)則通常是多數(shù)表決，即由輸入實(shí)例的k個(gè)鄰近的訓(xùn)練實(shí)例中的多數(shù)類，決定輸入實(shí)例的類。

三、KNN最鄰近算法優(yōu)缺點(diǎn)

1.優(yōu)點(diǎn)

①簡(jiǎn)單，易于理解，易于實(shí)現(xiàn)，無(wú)需參數(shù)估計(jì)，無(wú)需訓(xùn)練;

②精度高，對(duì)異常值不敏感(個(gè)別噪音數(shù)據(jù)對(duì)結(jié)果的影響不是很大);

③適合對(duì)稀有事件進(jìn)行分類;

④特別適合于多分類問(wèn)題(multi-modal,對(duì)象具有多個(gè)類別標(biāo)簽)，KNN要比SVM表現(xiàn)要好.

2.缺點(diǎn)

①對(duì)測(cè)試樣本分類時(shí)的計(jì)算量大，空間開(kāi)銷大，因?yàn)閷?duì)每一個(gè)待分類的文本都要計(jì)算它到全體已知樣本的距離，才能求得它的K個(gè)最近鄰點(diǎn)。目前常用的解決方法是事先對(duì)已知樣本點(diǎn)進(jìn)行剪輯，事先去除對(duì)分類作用不大的樣本;

②可解釋性差，無(wú)法給出決策樹(shù)那樣的規(guī)則;

③最大的缺點(diǎn)是當(dāng)樣本不平衡時(shí)，如一個(gè)類的樣本容量很大，而其他類樣本容量很小時(shí)，有可能導(dǎo)致當(dāng)輸入一個(gè)新樣本時(shí)，該樣本的K個(gè)鄰居中大容量類的樣本占多數(shù)。該算法只計(jì)算“最近的”鄰居樣本，某一類的樣本數(shù)量很大，那么或者這類樣本并不接近目標(biāo)樣本，或者這類樣本很靠近目標(biāo)樣本。無(wú)論怎樣，數(shù)量并不能影響運(yùn)行結(jié)果?？梢圆捎脵?quán)值的方法(和該樣本距離小的鄰居權(quán)值大)來(lái)改進(jìn);

④消極學(xué)習(xí)方法。

四、KNN算法實(shí)現(xiàn)

主要有以下三個(gè)步驟：

1.   算距離：給定待分類樣本，計(jì)算它與已分類樣本中的每個(gè)樣本的距離;

2. 找鄰居：圈定與待分類樣本距離最近的K個(gè)已分類樣本，作為待分類樣本的近鄰;

3. 做分類：根據(jù)這K個(gè)近鄰中的大部分樣本所屬的類別來(lái)決定待分類樣本該屬于哪個(gè)分類;

python示例

import math
import csv
import operator
import random
import numpy as np
from sklearn.datasets import make_blobs
 
#Python version 3.6.5
 
# 生成樣本數(shù)據(jù)集 samples(樣本數(shù)量) features(特征向量的維度) centers(類別個(gè)數(shù))
def createDataSet(samples=100, features=2, centers=2):
    return make_blobs(n_samples=samples, n_features=features, centers=centers, cluster_std=1.0, random_state=8)
 
# 加載鳶尾花卉數(shù)據(jù)集 filename(數(shù)據(jù)集文件存放路徑)
def loadIrisDataset(filename):
    with open(filename, 'rt') as csvfile:
        lines = csv.reader(csvfile)
        dataset = list(lines)
        for x in range(len(dataset)):
            for y in range(4):
                dataset[x][y] = float(dataset[x][y])
        return dataset
    
# 拆分?jǐn)?shù)據(jù)集 dataset(要拆分的數(shù)據(jù)集) split(訓(xùn)練集所占比例) trainingSet(訓(xùn)練集) testSet(測(cè)試集)
def splitDataSet(dataSet, split, trainingSet=[], testSet=[]):
    for x in range(len(dataSet)):
        if random.random() <= split:
            trainingSet.append(dataSet[x])
        else:
            testSet.append(dataSet[x])
# 計(jì)算歐氏距離 
def euclideanDistance(instance1, instance2, length):
    distance = 0
    for x in range(length):
        distance += pow((instance1[x] - instance2[x]), 2)
    return math.sqrt(distance)
 
# 選取距離最近的K個(gè)實(shí)例
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
 
#  獲取距離最近的K個(gè)實(shí)例中占比例較大的分類
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]
 
# 計(jì)算準(zhǔn)確率
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():
    # 使用自定義創(chuàng)建的數(shù)據(jù)集進(jìn)行分類
    # x,y = createDataSet(features=2)
    # dataSet= np.c_[x,y]
    
    # 使用鳶尾花卉數(shù)據(jù)集進(jìn)行分類
    dataSet = loadIrisDataset(r'C:\DevTolls\eclipse-pureh2b\python\DeepLearning\KNN\iris_dataset.txt')
        
    print(dataSet)
    trainingSet = []
    testSet = []
    splitDataSet(dataSet, 0.75, trainingSet, testSet)
    print('Train set:' + repr(len(trainingSet)))
    print('Test set:' + repr(len(testSet)))
    predictions = []
    k = 7
    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()