简述k-近邻（KNN）算法流程

一、算法流程

（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。

二、算法实施

对未知类别属性的数据集中的每个点依次执行以下操作：

（1）计算已知类别数据集中的点与当前点之间的距离；

（2）按照距离递增次序排序；

（3）选取与当前点距离最小的k个点；

（4）确定前k个点所在类别的出现频率；

（5）返回前k个点出现频率最高的类别作为当前点的预测分类。

三、代码详解

（python开发环境搭建，包括安装numpy，scipy，matplotlib等科学计算库的安装不再赘述，百度即可）

（1）进入python交互式开发环境，编写并保存如下代码，本文档中代码保存名为“KNN”；

import numpyimport operatorfrom os import listdirfrom numpy import *

#k-近邻算法def classify0(inX, dataSet, labels, k):    # type: (object, object, object, object) -> object    dataSetSize = dataSet.shape[0]                            #计算距离，使用欧氏距离。    diffMat = numpy.tile(inX, (dataSetSize, 1)) - dataSet    sqDiffMat = diffMat**2    sqDistances = sqDiffMat.sum(axis=1)    distances = sqDistances**0.5    sortedDistIndicies = distances.argsort()    classCount = {}                                           #选择距离最小的k个点    for i in range(k):        voteIlabel = labels[sortedDistIndicies[i]]        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)   #排序    return sortedClassCount[0][0]

#编写基本的通用函数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#将文本记录转换为numpy的解析程序def file2matrix(filename):    fr = open(filename)    numberOfLines = len(fr.readlines())         #get the number of lines in the file得到文件行数    returnMat = numpy.zeros((numberOfLines, 3))        #prepare matrix to return创建返回的numpy矩阵    classLabelVector = []                       #prepare labels return解析文件数据列表    fr = open(filename)    index = 0    for line in fr.readlines():        line = line.strip()        listFromLine = line.split('\t')        returnMat[index, :] = listFromLine[0:3]        classLabelVector.append(numpy.int(listFromLine[-1]))        index += 1    return returnMat, classLabelVector#归一化特征值def autoNorm(dataSet):    minVals = dataSet.min(0)    maxVals = dataSet.max(0)    ranges = maxVals - minVals    m = dataSet.shape[0]    normDataSet = dataSet - numpy.tile(minVals, (m, 1))    normDataSet = normDataSet / numpy.tile(ranges, (m, 1))   #element wise divide特征值相除    return normDataSet, ranges, minVals'''def datingClassTest():    hoRatio = 0.50      #hold out 10%    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')       #load data setfrom file    normMat, ranges, minVals = autoNorm(datingDataMat)    m = normMat.shape[0]    numTestVecs = numpy.int(m * hoRatio)    errorCount = 0.0    for i in range(numTestVecs):        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)        print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, datingLabels[i])        if classifierResult != datingLabels[i]: errorCount += 1.0    print "the total error rate is: %f" % (errorCount / numpy.float(numTestVecs))    print errorCount'''#将图像转换为向量def img2vector(filename):    returnVect = numpy.zeros((1, 1024))    fr = open(filename)    for i in range(32):        lineStr = fr.readline()        for j in range(32):            returnVect[0,32*i+j] = numpy.int(lineStr[j])    return returnVect#手写数字识别系统的测试代码def handwritingClassTest():    hwLabels = []    trainingFileList = listdir('trainingDigits')           #load the training set获取目录内容    m = len(trainingFileList)    trainingMat = numpy.zeros((m, 1024))    for i in range(m):        fileNameStr = trainingFileList[i]        fileStr = fileNameStr.split('.')[0]     #take off .txt 从文件名解析分类数字        classNumStr = numpy.int(fileStr.split('_')[0])        hwLabels.append(classNumStr)        trainingMat[i, :] = img2vector('trainingDigits/%s' % fileNameStr)    testFileList = listdir('testDigits')        #iterate through the test set    errorCount = 0.0    mTest = len(testFileList)    for i in range(mTest):        fileNameStr = testFileList[i]        fileStr = fileNameStr.split('.')[0]     #take off .txt        classNumStr = numpy.int(fileStr.split('_')[0])        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)        print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)        if classifierResult != classNumStr: errorCount += 1.0    print 'the total number of errors is: %d' % errorCount    print 'the total error rate is: %f' % (errorCount / numpy.float(mTest))

（2）python交互式界面输入以下命令导入上面编辑的程序模块。

>>>import KNN>>>group,labels=KNN.createDataSet()

（3）分析数据：使用matplotlib创建散点图

>>>import matplotlib>>>import matplotlib.pyplot as plot>>>fig=plt.figure()>>>ax=fig.add_subplot(111)>>>ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels))

（4）测试输出结果

KNN.handwritingClassTest()

四、算法优缺点

简单有效，精度高，对异常值不敏感，无数据输入假定。

计算复杂度高，空间复杂度高；由于必须对数据集中每个数据计算距离值，实际使用时可能非常耗时；另外，它无法给出任何数据的基础结构信息，因此我们无法知晓平均实例样本的典型实例样本具有什么特征。

注：代码中用到的诸如datingTestSet2.txt等类似的数据需要自己额外添加于代码相同路径下。