数据分析与挖掘

一个简单的例子！
环境：CentOS6.5
Hadoop集群、Hive、R、RHive，具体安装及调试方法见博客内文档。

KNN算法步骤：
需对所有样本点（已知分类+未知分类）进行归一化处理。然后，对未知分类的数据集中的每个样本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（未知分类）的距离。
2、按照距离递增排序
3、选取与当前距离最小的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类别

编写R脚本：

#!/usr/bin/Rscript
#1、对iris进行归一化处理
iris_s <- data.frame(scale(iris[, 1:4]))
iris_s <- cbind(iris_s, iris[, 5])
names(iris_s)[5] = "Species"

#2、对iris数据集随机选择其中的100条记录作为已知分类的样本集
sample.list <- sample(1:150, size = 100)
iris.known <- iris_s[sample.list, ]

#3、剩余50条记录作为未知分类的样本集（测试集）
iris.unknown <- iris_s[-sample.list, ]

#4、对测试集中的每一个样本，计算其与已知样本的距离，因为已经归一化，此处直接使用欧氏距离
length.known <- nrow(iris.known)
length.unknown <- nrow(iris.unknown)

#5、计算
for (i in 1:length.unknown) { 
    dis_to_known <- data.frame(dis = rep(0, length.known)) 
    for (j in 1:length.known) { 
        dis_to_known[j, 1] <- dist(rbind(iris.unknown[i, 1:4], iris.known[j,1:4]), method = "euclidean") 
        dis_to_known[j, 2] <- iris.known[j, 5]
        names(dis_to_known)[2] = "Species" 
    }

    dis_to_known <- dis_to_known[order(dis_to_known$dis), ]

    k <- 5 
    type_freq <- as.data.frame(table(dis_to_known[1:k, ]$Species)) 
    type_freq <- type_freq[order(-type_freq$Freq), ]
    iris.unknown[i, 6] <- type_freq[1, 1]
}

names(iris.unknown)[6] = "Species.pre"

#7、输出分类结果
iris.unknown[, 5:6]

输出结果：略，结果集中，Species为样本实际分类，Species.pre为Knn算法的分类，正确率达90%以上。

KNN是有监督的学习算法，其特点有：
1、精度高，对异常值不敏感
2、只能处理数值型属性
3、计算复杂度高（如已知分类的样本数为n，那么对每个未知分类点要计算n个距离）

KNN算法存在的问题：
1、k值的确定是个难题。
2、如果距离最近的k个已知分类样本中，频数最高的类型有多个（频数相同），如何选择对未知样本的分类？目前看是随机的。
3、如果有n个未知类型样本，m个已知类型样本，则需要计算n*m个距离，计算量较大，且需存储全部数据集合，空间复杂度也较大。
4、能否把预测的样本分类加入到已知类别集合中，对剩余的未知类型样本进行分类？
5、归一化放在所有处理的最前面，这样需要知道全部的样本集合（已知分类+未知分类）来构建分类器，而实际上未知分类的样本并不一定能事先获得，这样如何进行归一化处理？