原文链接：https://blog.csdn.net/qq_39355828/article/details/117513999 (opens new window)

03.KNN算法 李航统计学习方法

1.基本思想

KNN是一种简单的分类算法，可以用于简单的分类问题中。 对给定的训练实例点和输入实例点，首先确定输入实例点的k个最近邻训练实例点，然后利用这k个训练实例点的类的多数来预测输入实例点的类。

k近邻法三要素：距离度量、k值的选择和分类决策规则。常用的距离度量是欧氏距离及更一般的pL距离。k值小时，k近邻模型更复杂；k值大时，k近邻模型更简单。k值的选择反映了对近似误差与估计误差之间的权衡，通常由交叉验证选择最优的k。 图来自百度：

2.代码实现

import math
from numpy import *
import operator
from itertools import combinations

from numpy import array, tile
def L(x,y,p=2):#度量求取方法
    if len(x)==len(y) and len(x)>1:
        sum=0
        for i in range(len(x)):
            sum=sum+math.pow(abs(x[i]-y[i]),p)
        return math.pow(sum,1/p)
    else:
        return 0
def KNNClassify(newInput,k):
    group=array([[1.0,0.9],[1.0,1.0],[0.1,0.2],[0.0,0.1]])
    labels=['A','A','B','B']
    numsamples=group.shape[0]#记录样本数
    diff=tile(newInput,(numsamples,1))-group#计算距离
    print(diff)
    distance=sum(diff**2,axis=1)**0.5
    sortDistance=argsort(distance)#对距离进行排序,返回序号
    print(sortDistance)
    classCount={}
    for i in range(k):#前k个的标签，统计输出
        vote=labels[sortDistance[i]]#取出第i个对应的标签
        classCount[vote]=classCount.get(vote,0)+1
    maxCount=0
    print(vote)
    print(classCount)
    for key, value in classCount.items():#排序
        if value > maxCount:
            maxCount = value
            maxIndex = key
    return maxIndex
testX = array([1.2, 1.0])
k = 3
outputLabel = KNNClassify(testX, 3)
print("Your input is:", testX, "and classified to class: ", outputLabel)

testX = array([0.1, 0.3])
outputLabel = KNNClassify(testX, 3)
print("Your input is:", testX, "and classified to class: ", outputLabel)

代码参考： 机器学习算法与Python实践之（一）k近邻（KNN）_zouxy09的专栏-CSDN博客 (opens new window)