K-近邻算法的Python实现 ： 源码分析

标签：机器学习   python   

网上介绍K-近邻算法的例子很多，其Python实现版本基本都是来自于机器学习的入门书籍《机器学习实战》，虽然K-近邻算法本身很简单，但很多初学者对其Python版本的源代码理解不够，所以本文将对其源代码进行分析。

什么是K-近邻算法？

简单的说，K-近邻算法采用不同特征值之间的距离方法进行分类。所以它是一个分类算法。

优点：无数据输入假定，对异常值不敏感

缺点：复杂度高

好了，直接先上代码，等会在分析：（这份代码来自《机器学习实战》）

def classify0(inx, dataset, lables, k):
    dataSetSize = dataset.shape[0]
    diffMat = tile(inx, (dataSetSize, 1)) - dataset
    sqDiffMat = diffMat**2
    sqDistance = sqDiffMat.sum(axis=1)
    distances = sqDistance**0.5
    sortedDistances = distances.argsort()
    classCount={}
    for i in range(k):
        label = lables[sortedDistances[i]]
        classCount[label] = classCount.get(label, 0) + 1
    sortedClassCount = sorted(classCount.iteritems(),key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

该函数的原理是：

存在一个样本数据集合，也称为训练集，在样本集中每个数据都存在标签。在我们输入没有标签的新数据后，将新数据的每个特征与样本集中对应的特征进行比较，然后提取最相似（最近邻）的分类标签。一般我们只选样本数据集中前K 个最相似的数据。最后，出现次数最多的分类就是新数据的分类。

classify0函数的参数意义如下：

inx : 是输入没有标签的新数据，表示为一个向量。

dataset: 是样本集。表示为向量数组。

labels:对应样本集的标签。

k：即所选的前K。

用于产生数据样本的简单函数：

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

注意，array是numpy里面的。我们需要实现import进来。

from numpy import *
import operator

我们在调用时，

group,labels = create_dataset()
result = classify0([0,0], group, labels, 3)
print result

知道了这些，初学者应该对实际代码还是很陌生。不急，正文开始了！

源码分析

dataSetSize = dataset.shape[0]

shape是array的属性，它描述了一个数组的“形状”，也就是它的维度。比如，

In [2]: dataset = array([[1.0, 1.1], [1.0, 1.1], [0, 0], [0, 0.1]])

In [3]: print dataset.shape
(4, 2)

diffMat = tile(inx, (dataSetSize, 1)) - dataset

我们看看tile(inx, (4, 1))的结果，

In [5]: tile(x, (4, 1))
Out[5]: 
array([[0, 0],
       [0, 0],
       [0, 0],
       [0, 0]])

为证实上面的结论，

In [6]: tile(x,(4,2))
Out[6]: 
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]])

In [7]: tile(x,(2,2))
Out[7]: 
array([[0, 0, 0, 0],
       [0, 0, 0, 0]])

得到tile后，减去dataset。这类似一个矩阵的减法，结果仍是一个 4 * 2的数组。

In [8]: tile(x, (4, 1)) - dataset
Out[8]: 
array([[-1. , -1.1],
       [-1. , -1.1],
       [ 0. ,  0. ],
       [ 0. , -0.1]])

我们看看求和的方法，

sqDiffMat.sum(axis=1)

In [14]: sqDiffmat
Out[14]: 
array([[ 1.  ,  1.21],
       [ 1.  ,  1.21],
       [ 0.  ,  0.  ],
       [ 0.  ,  0.01]])

求和的结果是对行求和，是一个N*1的数组。

如果要对列求和，

sqlDiffMat.sum(axis=0)

classCount是一个字典，key是标签，value是该标签出现的次数。

这样，算法的一些具体代码细节就清楚了。

K-近邻算法的Python实现 ： 源码分析

标签：机器学习   python   

原文地址：http://blog.csdn.net/chenloveit/article/details/39969245