KNN最近邻算法——原理和Python代码

KNN最近邻算法是一种监督学习算法，基本思想是取距离测试数据最近的K个点，这K个点训练数据属于某一类型的数量多，则将该测试数据点也判断为该类。

算法：
1）计算测试数据与各个训练数据之间的距离；
2）按照距离的递增关系进行排序；
3）选取距离最小的K个点；
4）确定前K个点所在的类别的出现频率；
5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。

# -*- coding:utf-8 -*-
import math
import numpy as np
from matplotlib import pyplot
from matplotlib.patches import Ellipse, Circle
import matplotlib.pyplot as plt
from collections import Counter
import warnings

#k-Nearest Neighbor算法
# 训练数据data
# 测试数据predict
# 参数k
def k_nearest_neighbors(data, predict, k=5):
    print("k=%d"%k)
    if len(data) >= k:
        warnings.warn("k is too small")
    # 计算predict点到各点的距离
    distances = []
    for group in data:
        for features in data[group]:
            # euclidean_distance = np.sqrt(np.sum(np.array(features)-np.array(predict))**2))
            euclidean_distance = np.linalg.norm(np.array(features)-np.array(predict))
            distances.append([euclidean_distance, group])#记录距离和组别
    sorted_distance = sorted(distances)
    print(sorted_distance)#对距离进行排序
    sorted_distance_kind = [i[1] for i in sorted_distance]#取出其中的类别
    top_nearest = sorted_distance_kind[:k]#取前k个样本所对用的类别
    print(top_nearest)
    # Counter用于频率数，Counter(top_nearest).most_common(1)[0]=('red', 2)
    group_res = Counter(top_nearest).most_common(1)[0][0]
    confidence = Counter(top_nearest).most_common(1)[0][1] * 1.0 / k#乘以1.0为了映射为浮点型数
    #confidence是对本次分类的确定程度，例如(red,red,red),(red,red,black)都分为red组，但red组更为自信
    return group_res, confidence, sorted_distance[k_val-1][0]

if __name__ == '__main__':
    dataset = {'black': [[1,2], [2,3], [3,1]], 'red':[[6,5], [7,7], [8,6]]}
    new_features = [3.5, 5.2]
    fig = plt.figure()
    ax = fig.add_subplot(111)

    k_val = 3
    for i in dataset:
        for ii in dataset[i]:
            pyplot.scatter(ii[0], ii[1], s=50, color=i)

    which_group, confidence, radius_val = k_nearest_neighbors(dataset, new_features, k_val)
    print(which_group, confidence, radius_val)

    pyplot.scatter(new_features[0], new_features[1], s=100, color="g")
    #画圆
    cir = pyplot.Circle(xy = new_features, radius=radius_val, color = 'b', fill=False)
    ax.add_patch(cir)

    pyplot.show()

运行结果为：
red 0.6666666666666666
即判断测试数据为分类为红色类，
原因是所取的k=3的范围内有两个红色训练数据，一个红色训练数据；
置信度为2/3即0.666666666.