1.7.1 简介和问题概述

前面说过，我们从一个简单的问题开始给花分类。我们要实现一个流行的算法，叫作k最近邻（k-nearest neighbor），简称KNN[8]。我们需要一套训练集，分类器算法将其作为正确分类鸢尾花的示例。每个训练样本都有多个属性、一个分数和最终的正确分类（也就是鸢尾花的种类）。在这个鸢尾花的示例中，每个训练样本都是鸢尾花，有花瓣形状、大小等属性，这些属性被放在一个数字向量中（向量是Vector，也可被理解为列表）表示这个鸢尾花，在向量中还包括这个鸢尾花的正确分类标签。

假设有一个未知样本，我们想要知道它属于哪个鸢尾花种类。我们可以计算未知样本和已知样本在向量空间中的距离，然后让少量的近邻投票。这个未知样本可以被分类到大部分近邻归属的那个分类中。

如果我们只有两个维度（或属性），那么我们可以用图1.11表示KNN分类器。

图1.11 k最近邻

我们的未知样本是一个带有双问号（？？）的菱形。它的周围有已知样本，用圆形和正方形表示不同的种类。在用一个虚线表示的圆确定3个最近邻后，我们可以投票并决定这个未知样本最可能是圆形种类的（因为在它的邻居中，圆形种类有2个，而正方形种类只有1个）。

使用人工智能算法的一个基础概念是，属性需要用具体的数字来表示。把文字、地址和其他非线性的数据转换成线性的数字具有一定的挑战性。好消息是我们接下来要使用的数据都已被转换成具体的数字表示。

另一个概念是可以参与投票的邻居的个数。这就是KNN中的k因素。在我们的概念图中，我们让k=3，存在3个邻居，其中2个是圆形，第3个是正方形。如果我们改成k=5，将会改变参与投票的样本池，最终胜出的将会是正方形。哪个是正确的？这需要使用已知答案的测试集来确认分类算法的正确性。在上图中，菱形样本正好落在两个种类（圆形和正方形）的中间，故意制造出一个困难的分类问题。

鸢尾花分类数据集是学习这个分类问题的最常用数据集。通过链接2可以找到数据集的介绍，通过链接3也可以找到，在很多其他网站上也能找到。

在做面向对象分析和设计的过程中，更多的有经验的读者可能会注意到一些差距和矛盾之处。这是故意为之的。对任何问题的初步分析都会涉及学习和改进。这个案例学习也会随着我们的学习而演化。如果你已经发现了一些差距或矛盾，请试着做出自己的设计，看看这些差距是否会随着接下来章节的学习而逐渐缩小。

在研究了问题的某些方面之后，我们可以提供一个更具体的，包含参与者以及描述参与者如何与系统交互的用例（use case）或场景的上下文。我们将从上下文视图开始。