机器学习经典算法2：KNN 近邻算法

该算法通过已有的N个标准样本，对新增加样本进行最佳符合度判别。
这里的k是样本的k个判别属性值。

例如为一部新影片自动判断类别（动作片、爱情片等），可通过已有影片库中标准样本的各项参数（打斗次数、亲吻次数等）与新影片对比取最小邻近样本的过程。

算法步骤：
1，输入条件1：已有的n个样本（包括label及每个样本的k个参数值）
2，输入条件2：新加对象（明确其的k个参数值）
3，执行过程1：遍历n个样本，用每个样本的k项参数值依次与新加对象的对应k项参数值进行求差值，并取绝对值后求和。
4，执行过程2：比较n个样本计算结果找出最小值的样本作为近邻对象，并用样本的label为新加对象进行定义。
5，执行过程3：将新加对象纳入标准样本。

核心JS代码：

/**
* 使用knn进行计算
* @staticObjects 标准对象集合     （输入1）
* @newObject 新对象                （输入2）
* @propertyNames 比对属性名集合    （输入3）
* return 最临近的标准对象的标签   （输出）
*/
function knnCalc(staticObjects,newObject,propertyNames) {
    //求值
    var minStaticObject = null;
    var minTotal = 0;
    for (var i = 0; i < staticObjects.length; i++) {
        var staticObject = staticObjects[i];
        var total = 0;
        var compareObj = {};
        for (var j = 0; j < propertyNames.length; j++) {
            var pName = propertyNames[j];
            var knnPval = Math.abs(staticObject[pName] - newObject[pName]);
            compareObj[pName] = knnPval;
            total += knnPval;
        }
        if(minStaticObject === null || total < minTotal){
            minStaticObject = staticObject;
            minTotal = total;
        }
        showCalcVal(compareObj,staticObject,newObject,total);//显示行计算结果
    }
    //对比，找最匹配值（最小值）
    if(minStaticObject != null){
        return minStaticObject;
    }else{
        alert("未找到匹配项,请检查数据合理性");
    }
}

demo下载地址：https://gitee.com/inq/knn.git

ScreenFlow.gif