4.3 实例：使用 K-近邻算法进行分类

K最近邻 (k-Nearest Neighbors，KNN) 算法是一种分类算法，也是最简单易懂的机器学习算法，没有之一。1968年由 Cover 和 Hart 提出，应用场景有字符识别、文本分类、图像识别等领域。该算法的思想是：一个样本与数据集中的k个样本最相似，如果这k个样本中的大多数属于某一个类别，则该样本也属于这个类别。还是直接讲例子最好懂，一直没找到好的例子，就改造了下Peter Harrington的《机器学习实战》中电影分类的例子，当然实际情况不可能这么简单，这里只是为了说明该算法的用法。

     先准备下电影分类数据集（电影名称与分类来自于优酷网；镜头数量则纯属虚构）：

  上面数据集中序号1-12为已知的电影分类，分为喜剧片、动作片、爱情片三个种类，使用的特征值分别为搞笑镜头、打斗镜头、拥抱镜头的数量。那么来了一部新电影《唐人街探案》，它属于上述3个电影分类中的哪个类型？用KNN是怎么做的呢？

• 首先，我们构建一个已分好类的数据集。

import math

movie_data = {

             "宝贝当家": [45, 2, 9, "喜剧片"],    
             "美人鱼": [21, 17, 5, "喜剧片"],    
             "澳门风云3": [54, 9, 11, "喜剧片"],    
             "功夫熊猫3": [39, 0, 31, "喜剧片"],    
             "谍影重重": [5, 2, 57, "动作片"],    
             "叶问3": [3, 2, 65, "动作片"],    
             "伦敦陷落": [2, 3, 55, "动作片"],    
             "我的特工爷爷": [6, 4, 21, "动作片"],    
             "奔爱": [7, 46, 4, "爱情片"],    
             "夜孔雀": [9, 39, 8, "爱情片"],    
             "代理情人": [9, 38, 2, "爱情片"],    
             "新步步惊心": [8, 34, 17, "爱情片"]

}

• 第二步：计算一个新样本与数据集中所有数据的距离。

      这里的新样本就是："唐人街探案": [23, 3, 17, "？片"]。欧式距离是一个非常简单又最常用的距离计算方法。

其中x,y为2个样本，n为维度，xi，yi为x，y第i个维度上的特征值。如x为："唐人街探案": [23, 3, 17, "？片"]，y为："伦敦陷落": [2, 3, 55, "动作片"]，则两者之间的距离为

下面为求与数据集中所有数据的距离代码：

x = [23, 3, 17] KNN = [] for key, v in movie_data.items():

   d = math.sqrt((x[0] - v[0]) ** 2 + (x[1] - v[1]) ** 2 + (x[2] - v[2]) ** 2)  
   KNN.append([key, round(d, 2)])  

print(KNN)

输出结果：

[['谍影重重', 43.87], ['伦敦陷落', 43.42], ['澳门风云3', 32.14], ['叶问3', 52.01], ['我的特工爷爷', 17.49], ['新步步惊心', 34.44], ['宝贝当家', 23.43], ['功夫熊猫3', 21.47], ['奔爱', 47.69], ['美人鱼', 18.55], ['夜孔雀', 39.66], ['代理情人', 40.57]]

• 第三步：按照距离大小进行递增排序。

KNN.sort(key=lambda dis: dis[1])

输出结果：

[['我的特工爷爷', 17.49], ['美人鱼', 18.55], ['功夫熊猫3', 21.47], ['宝贝当家', 23.43], ['澳门风云3', 32.14], ['新步步惊心', 34.44], ['夜孔雀', 39.66], ['代理情人', 40.57], ['伦敦陷落', 43.42], ['谍影重重', 43.87], ['奔爱', 47.69], ['叶问3', 52.01]]

• 第四步：选取距离最小的k个样本。

这里取k=5；

KNN=KNN[:5]

输出：[['我的特工爷爷', 17.49], ['美人鱼', 18.55], ['功夫熊猫3', 21.47], ['宝贝当家', 23.43], ['澳门风云3', 32.14]]

• 第五步：确定前k个样本所在类别出现的频率，并输出出现频率最高的类别。

labels = {"喜剧片":0,"动作片":0,"爱情片":0} for s in KNN:

   label = movie_data[s[0]]    
   labels[label[3]] += 1    

labels =sorted(labels.items(),key=lambda l: l[1],reverse=True) print(labels,labels[0][0],sep='\n')

输出结果：

[['宝贝当家', 23.43], ['美人鱼', 18.55], ['澳门风云3', 32.14], ['功夫熊猫3', 21.47], ['谍影重重', 43.87], ['叶问3', 52.01], ['伦敦陷落', 43.42], ['我的特工爷爷', 17.49], ['奔爱', 47.69], ['夜孔雀', 39.66], ['代理情人', 40.57], ['新步步惊心', 34.44]] [('喜剧片', 4), ('动作片', 1), ('爱情片', 0)] 喜剧片