k-NN 算法

KNN算法

算法思想：

计算所求向量距离已知向量的距离；思想和二维思想一样。
对所有距离进行排序，取前k个，统计各个标签出现的次数（总数为k) ; // {‘A’: 1, ‘B’: 2}
统计后，对其进行排序; // [(‘B’, 2), (‘A’, 1)
返回第一个也就是距离最近的点的分类。// B

python实现：

进入kNN.py的目录，执行python命令：mac和linux系统直接cd到kNN.py的目录，执行python即可；如果是windows则需要先进入到python.exe的目录，然后执行python，或者执行：c:\Python2.6\python.exe

＃kNN.py

from numpy import *
import operator
 
def createDataSet():

    group ＝array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    
    labels = ['A','A','B','B']
    return group, labels

def classify0(intX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    
    diffMat = tile(intX, (dataSetSize,1)) - dataSet
    
    sqDiffMat = diffMat ** 2

    sqDistances = sqDiffMat.sum(axis=1)

    distances = sqDistances ** 0.5

    sortedDistIndicies = distances.argsort()

    classCount = {}

    for i in range(k):

        voteIlabel = labels[sortedDistIndicies[i]]

        print voteIlabel

        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1

    print classCount

    sortedClassCount = sorted(classCount.iteritems(), key = operator.itemgetter(1),reverse=True)
    print sortedClassCount

进入kNN.py的目录，执行python命令：

mac和linux系统直接cd到kNN.py的目录，执行python即可；

如果是windows则需要先进入到python.exe的目录，然后执行python，或者执行：

c:\Python2.6\python.exe

import kNN

group,labels = kNN.createDataSet()

group 验证

a = kNN.classify0([0,0], group, labels, 3)

输出：

B

{'B': 1}
 
B

{'B': 2}

A

{'A': 1, 'B': 2}

参考：《机器学习实战》［Peter Harrington]

k-NN 算法

评论