代码来自《机器学习实战》https://github.com/wzy6642/Machine-Learning-in-Action-Python3
K-近邻算法(KNN)
介绍
简单地说，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、空间复杂度高，无法给出数据的内在含义。
使用数据范围：数值型、标称型。
分类函数的伪代码：
对未知类别属性的数据集中的每个点依次执行以下操作：
（1）计算已知类别数据集中的点与当前点之间的距离；
（2）按照距离递增次序排序；
（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概率；
（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。
1 """创建数据集
2 返回: group - 数据集
3 labels - 分类标签
4 """
5 def createDataSet():
6 # 四组二维特征
7 group = np.array([[1, 101], [5, 89], [108, 5], [115, 8]])
8 # 四组特征的标签
9 labels = ['爱情片', '爱情片', '动作片', '动作片']
10 return group, labels
11
12
13 """
14 KNN算法，分类器
15 参数：
16 inX - 用于分类的数据（测试集）
17 dataSet - 用于训练的数据（训练集）（n*1维列向量)
18 labels - 分类标准（n*1维列向量)
19 k - KNN算法参数，选择距离最小的k个点
20 返回：
21 sortedClasscount[0][0] - 分类结果
22 """
23 def classify0(inX, dataSet, labels, k):
24 # numpy函数shape[0]返回dataSet的行数（维度）
25 dataSetSize = dataSet.shape[0]
26 # 将inX重复dataSetSize次并排成一列
27 diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
28 # 二维特征相减后平方
29 sqDiffMat = diffMat**2
30 # sum()所有元素相加，sum(0)列相加，sum(1)行相加
31 sqDistances = sqDiffMat.sum(axis=1)
32 # 开方，计算出距离
33 distances = sqDistances**0.5
34 # argsort函数返回的是distances值从小到大的索引值
35 sortedDistIndicies = distances.argsort()
36 # 定义一个记录类别次数的词典
37 classCount = {}
38 # 选择距离最小的k个点
39 for i in range(k):
40 # 取出前k个元素的类别
41 voteIlabel = labels[sortedDistIndicies[i]]
42 # 字典的get()方法，返回指定键的值，如果值不在字典中返回0
43 # 计算类别次数
44 classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
45 # reverse降序排序字典，operator.itemgetter(1)按值排序，(0)按键排序
46 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
47 # 返回次数最多的类别，即所要分类的类别
48 return sortedClassCount[0][0]
49
50 # 测试
51 group, labels = createDataSet()
52 classify0([0,0], group, labels, 3) # output: '爱情片'
实战：手写数字识别系统
这里只能识别数字0到9，图像为32*32像素的黑白图像，将图像转换为文本格式。
将图像格式化处理为一个向量，把32*32的二进制图像矩阵为1*2014的向量。
1 """
2 将32*32的二进制图像转换为1*1024向量
3 参数：
4 filename - 文件名
5 返回：
6 returnVect - 返回二进制图像的1*1024向量
7 """
8
9 def img2vector(filename):
10 returnVect = np.zeros((1, 1024))
11 fr = open(filename)
12 # 按行读取
13 for i in range(32):
14 # 读取一行数据
15 lineStr = fr.readline()
16 # 每一行的前32个数据依次存储到returnVect中
17 for j in range(32):
18 returnVect[0, 32*i+j] = int(lineStr[j])
19 # 返回转换后的1*1024向量
20 return returnVect
21
22 # 测试
23 testVector = img2vector('testDigits/0_13.txt')
24 testVector[0, 0:31]
25 # output: array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1.,
26 # 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
测试算法
1 """
2 手写数字分类测试
3 参数：
4 None
5 返回:
6 None
7 """
8 def handwritingClassTest():
9 # 测试集的labels
10 hwLabels = []
11 # 返回trainingDigits目录下的文件名
12 trainingFilesList = listdir('trainingDigits')
13 # 返回文件夹下文件的个数
14 m = len(trainingFilesList)
15 # 初始化训练的Mat矩阵（全零针），测试集
16 trainingMat = np.zeros((m, 1024))
17 # 从文件名中解析出训练集的类别
18 for i in range(m):
19 # 获得文件的名字
20 fileNameStr = trainingFilesList[i]
21 # 获得分类的数字
22 classNumber = int(fileNameStr.split('_')[0])
23 # 将获得的类别添加到hwLabels中
24 hwLabels.append(classNumber)
25 # 将每个文件的1*1024数据存储到trainingMat矩阵中
26 trainingMat[i, :] = img2vector('trainingDigits/%s' % (fileNameStr))
27 # 构造KNN分类器
28 neigh = KNN(n_neighbors=3, algorithm='auto')
29 # 拟合模型，trainingMat为测试矩阵，hwLabels为对应标签
30 neigh.fit(trainingMat, hwLabels)
31 # 返回testDigits目录下的文件列表
32 testFileList = listdir('testDigits')
33 # 错误检测计数
34 errorCount =0.0
35 # 测试数据的数量
36 mTest = len(testFileList)
37 # 从文件中解析出测试集的类别并进行分类测试
38 for i in range(mTest):
39 # 获得文件名字
40 fileNameStr = testFileList[i]
41 # 获得分类的数字
42 classNumber = int(fileNameStr.split('_')[0])
43 # 获得测试集的1*1024向量，用于训练
44 vectorUnderTest = img2vector('testDigits/%s' % (fileNameStr))
45 # 获得预测结果
46 classifierResult = neigh.predict(vectorUnderTest)
47 print("分类返回结果为%d\t真实结果为%d" % (classifierResult, classNumber))
48 if(classifierResult != classNumber):
49 errorCount += 1.0
50 print("总共错了%d个数据\n错误率为%f%%" % (errorCount, errorCount/mTest * 100))
来源：https://www.cnblogs.com/harbin-ho/p/12026276.html