KNN

概述

机器学习算法选择

监督学习与无监督学习：想要预测目标变量的值则采用监督学习，否则选择无监督学习。
监督学习中，若目标变量是离散的，则选择分类算法，若目标变量是连续的则选择回归算法。
无监督学习中，分析是否需要将数据划分为离散的组，如果这是唯一的需求，则使用聚类算法；若还要估计数据与每个分组的相似程度，则选用密度估计算法。
变量的值分离散型和连续型。

开发应用的步骤

1. 收集数据：如网络爬虫
2. 准备输入的数据：确保数据格式符合规范，融合算法和数据源，方便匹配操作
3. 分析输入数据：分析处理后的数据是否存在异常值或空值等
4. 训练算法：将数据输入算法，从中抽取信息，若是无监督算法则无训练
5. 测试算法

python开发的环境需要

• NumPy Pandas
• SciPy
• Matplotlib

K-近邻算法(监督学习的一种分类算法)

K-近邻算法采用测量不同特征值之间的距离方法进行分类
优点： 精度高、对异常值不敏感、无数据输入假定
缺点： 计算复杂度高、控件复杂度高
适用数据范围： 数值型和标称型(数值型：可以在无限的数据中取，而且数值比较具体化，例如4.02,6.23这种值；标称型：一般在有限的数据中取，而且只存在‘是’和‘否’两种不同的结果)

工作原理： 存在一个数据集合，也称训练样本集，并且样本集中的每个数据都存在标签，即知道样本集中每一数据与所属分类的对应关系。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的数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般只选取样本数据集中前k个最相似的数据，通常k是不大于20的整数。最后，选择k个最相似数据中出现此处追多的分类，作为新数据的分类。

算法原理：

1. 计算已知类别数据集中点与当前点之间的距离
2. 按照距离递增排序
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