机器学习实战之KNN算法
作者：罗罗攀 《从零开始学Python网络爬虫》书籍作者
Python爱好者社区专栏作者 Python爬虫爱好者
博客地址：http://www.jianshu.com/u/9104ebf5e177
本系列教程为《机器学习实战》的读书笔记。首先，讲讲写本系列教程的原因：第一，《机器学习实战》的代码由Python2编写，有些代码在Python3上运行已会报错，本教程基于Python3进行代码的修订；第二：之前看了一些机器学习的书籍，没有进行记录，很快就忘记掉了，通过编写教程也是一种复习的过程；第三，机器学习相对于爬虫和数据分析而言，学习难度更大，希望通过本系列文字教程，让读者在学习机器学习的路上少走弯路。本系列教程特点：
基于《机器学习实战》
尽量避免讲太多数学公式，通过简单直白的方式讲解各算法的原理
对于算法实现的代码进行详细讲解
哪些读者可以食用：
了解机器学习的基本术语
会Python语言
会numpy和pandas库的使用
k-近邻算法（KNN）原理
KNN算法为分类算法。一句老话来描述KNN算法：“近朱者赤，近墨者黑”。
算法原理：计算测试样本与每个训练样本的距离（距离计算方法见下文），取前k个距离最小的训练样本，最后选择这k个样本中出现最多的分类，作为测试样本的分类。
如图所示，绿色的为测试样本，当k取3时，该样本就属于红色类；当k取5时，就属于蓝色类了。所以k值的选择很大程度影响着该算法的结果，通常k的取值不大于20。
介绍完原理后，看看KNN算法的伪代码流程：
计算测试样本与所有训练样本的距离
对距离进行升序排序，取前k个
计算k个样本中最多的分类
KNN之约会对象分类
问题描述与数据情况
海伦使用约会网站寻找约会对象。经过一段时间之后，她发现曾交往过三种类型的人:
不喜欢的人
魅力一般的人
极具魅力的人
这里海伦收集了1000行数据，有三个特征：每年获得的飞行常客里程数；玩视频游戏所耗时间百分比；每周消费的冰淇淋公升数。以及对象的类型标签，如图所示。
解析数据
import numpy as np
import operator
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOflines = len(arrayOLines)
returnMat = np.zeros((numberOflines, 3))
classLabelVector = []
index = 0
for line in arrayOLines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index, :] = listFromLine[0:3]
classLabelVector.append(int(listFromLine[-1]))
index = index + 1
return returnMat, classLabelVector
定义解析数据的函数：4-9行：读取文件，并获取文件行数，创建一个文件行数（1000行）和3列的Numpy全0数组，创建用于存放类标签的classLabelVector列表。
10-17行：对文件进行循环遍历，对前三列数据存放到returnMat数组中，最后一列存放到classLabelVector列表中。结果如图所示。
上面的代码为书中所写，其实用pandas读取数据后再出来是很方便了，代码如下：
import numpy as np
import operator
import pandas as pd
def file2matrix(filename):
data = pd.read_table(open(filename), sep='\t', header=None)
returnMat = data[[0,1,2]].values
classLabelVector = data[3].values
return returnMat, classLabelVector
归一化
由于特征间的数值差别太大，在计算距离时，数值大的属性会对结果产生更大的影响，这里需要对数据进行归一化：new = (old-min)/(max-min)。代码如下：
def autoNorm(dataSet):
minval = dataSet.min(0)
maxval = dataSet.max(0)
ranges = maxval - minval
normDataSet = np.zeros(np.shape(dataSet))
m = dataSet.shape[0]
normDataSet = dataSet - np.tile(minval, (m,1))
normDataSet = normDataSet/np.tile(ranges, (m,1))
return normDataSet, ranges, minval
传入的参数为测试数据（就是returnMat）；首先按0轴（也就是按列）进行min和max的计算，如图所示进行简单的示例；然后构造和数据（normDataSet）一样大小的0矩阵；
tile函数的用法读者可以自行百度，这里看下使用后的案例，作用就是让一维数组重复m行，如图所示，这样就可以进行数据归一化的计算。
KNN算法
这里使用的距离为欧式距离，公式为：
def classify(inX, dataSet, labels, k):
dataSize = dataSet.shape[0]
diffMat = np.tile(inX, (dataSize,1)) -dataSet
sqdiffMat = diffMat ** 2
sqDistance = sqdiffMat.sum(axis = 1)
distances = sqDistance ** 0.5
sortedDist = distances.argsort()
classCount ={}
for i in range(k):
voteIlable = labels[sortedDist[i]]
classCount[voteIlable] = classCount.get(voteIlable, 0) + 1
sortedClassCount = sorted(classCount.items(),
key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
inX为训练数据；dataSet为测试数据，labels为类别标签；k为取值；
2-6行：计算欧式距离
7-最后：对计算的距离进行索引排序（argsort），然后对字典进行排序，获取值最多的分类。
对分类器进行测试
这里选择前10%数据做为测试样本，进行分类器的测试。
def test():
r = 0.1
X, y = file2matrix('数据/datingTestSet2.txt')
new_X, ranges, minval = autoNorm(X)
m = new_X.shape[0]
numTestVecs = int(m*r)
error = 0.0
for i in range(numTestVecs):
result = classify(new_X[i, :],new_X[numTestVecs:m, :], y[numTestVecs:m], 3)
print('分类结果: %d, 真实数据: %d' %(result, y[i]))
if (result != y[i]):
error = error + 1.0
print('错误率: %f' % (error/float(numTestVecs)))
测试系统
最后，编写一个简单的测试系统，该代码通过人为的输入三个属性特征，可以自动得到该约会对象的分类标签。
def system():
style = ['不喜欢', '一般', '喜欢']
ffmile = float(input('飞行里程'))
game = float(input('游戏'))
ice = float(input('冰淇淋'))
X, y = file2matrix('数据/datingTestSet2.txt')
new_X, ranges, minval = autoNorm(X)
inArr = np.array([ffmile, game, ice])
result = classify((inArr - minval)/ranges, new_X, y, 3)
print('这个人', style[result - 1])
算法优缺点
优点：精度高，对异常值不敏感
缺点：计算复杂（想想每个测试样本都要与训练样本继续距离计算）
零基础如何入门学习Python网络爬虫？
小编推荐作者的好书，点击阅读原文即可购买
Python爱好者社区历史文章大合集：
Python爱好者社区历史文章列表（每周append更新一次）
关注后在公众号内回复“课程”即可获取：
小编的Python入门免费视频课程！！！
【最新免费微课】小编的Python快速上手matplotlib可视化库！！！
崔老师爬虫实战案例免费学习视频。
陈老师数据分析报告制作免费学习视频。
玩转大数据分析！Spark2.X+Python 精华实战课程免费学习视频。