KNN分类算法

 kNN 算法是一种基于向量间相似度的分类算法。

1. 算法原理

　　k 最近邻（k-Nearest Neighbor）算法是比较简单的机器学习算法。它采用测量不同特征值之间的距离方法进行分类。它的思想很简单：如果一个样本在特征空 间中的 k 个最邻近（最相似）的样本中的大多数都属于某一个类别，则该样本也属 于这个类别。k表示外部定义的近邻数量。

　　举例说明，下图中可以清晰的看到由四个点构成的训练集。它被分为两个类别： A 类--蓝色圆圈、B 类--红色三角形。因为红色区域内的点距比它们到蓝色区域内的点距要小得。

　　现在给定一个测试集，想要知道被划分为哪个分类，最简单的方法就是画图，把新加入的点加入图中。

　　很清晰，从距离上看，它更接近红色三角的范围，应该归入B类。这就是kNN算法的基本原理。

　　由此可见，kNN算法的步骤如下：

　　（1）确定下 k 值（就是指最近邻居的个数）。一般是个奇数。

　　（2）确定的距离度量公式—文本分类一般使用夹角余弦，得出待分类数据点和 所有已知类别的样本点中，选择距离最近的 k 个样本。

　　（3）统计这 k 个样本点中，各个类别的数量，根据 k 个样本中，数量最多的样本是什么类别，我们就把这个数据点定为什么类别。

2. Python实现

　　（1）导入所需的库，数据的初始化

# -*- coding: utf-8 -*-

import sys import os
from numpy import * import numpyas np import operator
from Nbayes_lib import *

# 配置 utf-8 输出环境
reload(sys)
sys.setdefaultencoding('utf-8')

k=3

（2）实现夹角余弦的距离公式

# 夹角余弦距离公式
def cosdist(vector1,vector2):
    return dot(vector1,vector2)/(linalg.norm(vector1)*linalg.norm(vector2))

（3）实现kNN分类器

#  测试集：testdata；训练集：trainSet；类别标签：listClasses；k:k 个邻居数
def classify(testdata, trainSet, listClasses, k):
　　dataSetSize = trainSet.shape[0]    # 返回样本集的行数
　　distances = array(zeros(dataSetSize))
　　for indx in xrange(dataSetSize):    # 计算测试集与训练集之间的距离：夹角余弦
　　　　distances[indx] = cosdist(testdata,trainSet[indx])
　　# 根据Th成的夹角余弦按从大到小排序,结果为索引号
　　sortedDistIndicies = argsort(-distances) 
　　classCount={}
　　for i in range(k):    # 获取角度最小的前 k 项作为参考项
　　　　# 按排序顺序返回样本集对应的类别标签
　　　　voteIlabel = listClasses[sortedDistIndicies[i]]
　　　　# 为字典 classCount 赋值,相同 key，其 value 加 1
　　　　classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
　　# 对分类字典 classCount 按 value 重新排序
　　# sorted(data.iteritems(), key=operator.itemgetter(1), reverse=True)
　　# 该句是按字典值排序的固定用法
　　# classCount.iteritems()：字典迭代器函数
　　# key：排序参数；operator.itemgetter(1)：多级排序
　　sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True) 

　　return sortedClassCount[0][0]    # 返回序最高的一项

3. 评估分类结果

　　使用 kNN 实现文本分类。

dataSet,listClasses = loadDataSet()
nb = NBayes()
nb.train_set(dataSet,listClasses)
# 使用之前贝叶斯分类阶段的数据集，以及Th成的 tf 向量进行分类
print classify(nb.tf[3], nb.tf, listClasses, k)