本文仅供学习使用
1. KNN算法原理
K近邻(K-nearst neighbors, KNN)
是一种基本的机器学习算法,所谓 k 近邻,就是 k 个最近的邻居的意思,说的是每个样本都可以用它最接近的 k个邻居来代表。比如:判断一个人的人品,只需要观察与他来往最密切的几个人的人品好坏就可以得出,即“近朱者赤,近墨者黑”;KNN算法既可以应用于分类应用中,也可以应用在回归应用中。
• KNN在做回归和分类的主要区别在于最后做预测的时候的决策方式不同。
KNN在分类预测
时,一般采用多数表决法
;而在做回归预测
时,一般采用平均值法
。
- 从训练集合中获取K个离待预测样本距离最近的样本数据;
- 根据获取得到的K个样本数据来预测当前待预测样本的目标属性值。
1.1 案例分析
我们标记电影的类型:爱情片,动作片 ;每个电影有两个特征属性:打斗镜头,接吻镜头; 预测一个新的电影的电影类型:
-
将训练集中的所有样例画入坐标系,也将待测样例画入
-
计算待测分类的电影与所有已知分类的电影的欧式距离
-
将这些电影按照距离升序排序,取前k个电影,假设k=3,那么我们得到的电影依次是《He’s Not Really Into Dudes》、《Beautiful Woman》和《California Man》。而这三部电影全是爱情片,因此我们判定未知电影是爱情片。
1.2 KNN三要素
在KNN算法中,非常重要的主要是三个因素:
• K值的选择:
对于K值的选择,一般根据样本分布选择一个较小的值,然后通过交叉验证来选择一个比较合适的最终值;当选择比较小的K值的时候,表示使用较小领域中的样本进行预测,训练误差会减小,但是会导致模型变得复杂,容易过拟合;当选择较大的K值的时候,表示使用较大领域中的样本进行预测,训练误差会增大,同时会使模型变得简单,容易导致欠拟合;
• 距离的度量:
一般使用欧氏距离(欧几里得距离);
• 决策规则:
在分类模型中,主要使用多数表决法或者加权多数表决法;在回归模型中,主要使用平均值法或者加权平均值法。
1.3 KNN分类预测规则
在KNN分类应用中,一般采用多数表决法或者加权多数表决法。
• 多数表决法:
每个邻近样本的权重是一样的,也就是说最终预测的结果为出现类别最多的那个类,比如图中蓝色圆圈的最终类别为红色;
• 加权多数表决法:
每个邻近样本的权重是不一样的,一般情况下采用权重和距离成反比的方式来计算,也就是说最终预测结果是出现权重最大的那个类别;比如右图中,假设三个红色点到待预测样本点的距离均为2,两个黄色点到待预测样本点距离为1,那么蓝色圆圈的最终类别为黄色。
1.4 KNN回归预测规则
在KNN回归应用中,一般采用平均值法或者加权平均值法。
• 平均值法:
每个邻近样本的权重是一样的,也就是说最终预测的结果为所有邻近样本的目标属性值的均值;比如图中,蓝色圆圈的最终预测值为:2.6;
• 加权平均值法:
每个邻近样本的权重是不一样的,一般情况下采用权重和距离成反比的方式来计算,也就是说在计算均值的时候进行加权操作;比如图中,假设上面三个点到待预测样本点的距离均为2,下面两个点到待预测样本点距离为1,那么蓝色圆圈的最终预测值为:2.43。(权重分别为: 1/7和2/7)
2. KNN算法法实现方式
KNN算法的重点在于找出K个最邻近的点,主要方式有以下几种:
• 蛮力实现(brute): 计算预测样本到所有训练集样本的距离,然后选择最小的k个距离即可得到K个最邻近点。缺点在于当特征数比较多、样本数比较多的时候,算法的执行效率比较低;
• KD树(kd_tree): KD树算法中,首先是对训练数据进行建模,构建KD树,然后再根据建好的模型来获取邻近样本数据。
除此之外,还有一些从KD_Tree修改后的求解最邻近点的算法, 比如:Ball Tree、BBF Tree、MVP Tree
等。
2.1 KD Tree
KD Tree
是KNN算法中用于计算最近邻的快速、便捷构建方式。
当样本数据量少的时候,我们可以使用 brute 这种暴力的方式行求解最近邻,即计算到所有样本的距离。但是当样本量比较大的时候,直接计算所有样本的距离,工作量有点大,所以在这种情况下,我们可以使用kd tree来快速的计算。
2.1.1 KD Tree构建方式
KD树采用从m个样本的n维特征中,分别计算n个特征取值的方差,用方差最大的第k维特征nk作为根节点。对于这个特征,选择取值的中位数nkv作为样本的划分点,对于小于该值的样本划分到左子树,对于大于等于该值的样本划分到右子树,对左右子树采用同样的方式找方差最大的特征作为根节点,递归即可产生 KD树。
二维样本: {(2,3), (5,4), (9,6), (4,7), (8,1), (7,2)}
- 选择x(1)轴,6个数据点的x(1)坐标上的数字分别是2,5,9,4,8,7。取中位数7(不是严格意义的中位数,取较大的数),以x(1)=7将特征空间分为两个矩形:
- 选择x(2)轴,处理左子树,3个数据点的x(2)坐标上的数字 分别是3,4,7。取中位数4,以x(2)=4将左子树对应的特征空间分 为两个矩形;处理右子树,2个数据点的x(2)坐标上的数字分别是 6,1。取6,以x(2)=6将右子树对应的特征空间分为两个矩形:
- x(1)轴,分别处理所有待处理的节点:
2.1.1 KD tree查找最近邻
当我们生成KD树以后,就可以去预测测试集里面的样本目标点了。对于一个目标点,我们首先在KD树里面找到包含目标点的叶子节点。以目标点为圆心,以目标点到叶子节点中样本实例的最短距离为半径,得到一个超球体,最近邻的点一定在这个超球体内部。然后返回子节点的父节点,检查另一个子节点包含的超矩形体是否和超球体相交,如果相交就到这个子节点寻找是否有更加近的近邻,有的话就更新最近邻。如果不相交那就简单了,我们直接返回父节点的父节点,在另一个子树继续搜索最近邻。当回溯到根节点时,算法结束,此时保存的最近邻节点就是最终的最近邻。
找到所属的叶子节点后,以目标点为圆心,以目标点到最近样本点(一般为当前叶子节点中的其它训练数据或者刚刚经过的父节点) 为半径画圆,从最近样本点往根节点进行遍历,如果这个圆和分割节点的分割线有交线,那么就考虑分割点的另外一个子树。如果在遍历过程中,找到距离比刚开始的样本距离近的样本,那就进行更新操作。
一直迭代遍历到根节点上,结束循环找到最终的最小距离的样本。
2.2 KNN参数说明
参数 | KNeighborsClassifier —————— KNeighborsRegressor |
---|---|
weights | 样本权重,可选参数: uniform(等权重)、distance(权重和距离成反比,越近影响越强);默认为uniform |
n_neighbors | 邻近数目,默认为5 |
algorithm | 计算方式,默认为auto,可选参数: auto、ball_tree、kd_tree、brute;推荐选择kd_tree |
leaf_size | 在使用KD_Tree、Ball_Tree的时候,允许存在最多的叶子数量,默认为30 |
metric | 样本之间距离度量公式,默认为minkowski(闵可夫斯基);当参数p为2的时候,其实就是欧几里得距离 |
p | 给定minkowski距离中的p值,默认为2 |
3. KNN代码
3.1 KNN参等权分类
'''
等权分类
'''
import numpy as np
import pandas as pd
##初始化训练数据
T = [[3, 104, -1],
[2, 100, -1],
[1, 81, -1],
[101, 10, 1],
[99, 5, 1],
[98, 2, 1]
]
##预测数据
x_test = [18, 90]
##邻居
K = 5
###列表 [[dis1,标签1],[dis2,标签2].。。。。。。]
listdistance = []
##循环每一个数据,计算他的dis
for t in T: ## t是每条电影的数据
dis = np.sum((np.array(t[:-1]) - np.array(x_test)) ** 2) ** 0.5
listdistance.append([dis, t[-1]])
# print(listdistance)
##按照dis进行排序
listdistance.sort()
print(listdistance)
##选取K个邻居放入投票箱
# print(listdistance[:K])
arr = np.array(listdistance[:K])[:, -1]
print(arr)
##统计投票
a = pd.Series(arr).value_counts()
print(a)
pre = a.idxmax() # idxmax
print(pre)
3.2 KNN参加权分类
import numpy as np
# ## KNN加权投票--分类
# #初始化数据
T = [
[3, 104, -1],
[2, 100, -1],
[1, 81, -1],
[101, 10, 1],
[99, 5, 1],
[98, 2, 1]]
# #初始化待测样本
x = [18, 90]
# x = [3,104]
# x = [50, 50]
# #初始化邻居数
K = 3
# #初始化存储距离列表[[距离1,标签1],[距离2,标签2]....]
listDistance = []
# #循环每一个数据点,把计算结果放入dis
for i in T:
dis = np.sum((np.array(i[:-1]) - np.array(x)) ** 2) ** 0.5 ##欧氏距离
listDistance.append([dis, i[-1]])
# #对dis按照距离排序
listDistance.sort()
print(listDistance)
weight = [1/i[0] for i in listDistance[:K]]
print(weight)
weight /= sum(weight)
print(weight)
pre = -1 if sum([1 / i[0] * i[1] for i in listDistance[:K]]) < 0 else 1
print(pre)
3.3 KNN训练
'''
简单实现一下等权分类 封装成KNN类
实现fit,predict,score方法
'''
import numpy as np
import pandas as pd
class KNN:
'''
KNN的步骤:
1、从训练集合中获取K个离待预测样本距离最近的样本数据;
2、根据获取得到的K个样本数据来预测当前待预测样本的目标属性值
'''
def __init__(self, k):
self.k = k
pass
def fit(self, x, y):
'''
训练模型 实际上就是存储数据
:param x: 训练数据x
:param y: 训练数据y
:return:
'''
### 将数据转化为numpy数组的形式进行存储
self.train_x = np.array(x)
self.train_y = np.array(y)
def feach_k_neighbors(self, x):
'''
# 1、从训练集合中获取K个离待预测样本距离最近的样本数据;
# 2、根据获取得到的K个样本数据来预测当前待预测样本的目标属性值
:param x:待预测的一条数据
:return: 最近k个邻居的label
'''
###列表 [[dis1,标签1],[dis2,标签2].。。。。。。]
listdistance = []
##循环每一个数据,计算他的dis
for index, i in enumerate(self.train_x): ## t是每条电影的数据
# print(index)
dis = np.sum((np.array(i) - np.array(x)) ** 2) ** 0.5
listdistance.append([dis, self.train_y[index]])
# print(listdistance)
##按照dis进行排序
listdistance.sort()
# print(listdistance)
# sys.exit()
##选取K个邻居放入投票箱
# print(listdistance[:self.k])
arr = np.array(listdistance[:self.k])[:, -1]
# print(arr)
return arr
def predict(self, x):
'''
对待预测数据进行预测
:param x: 待预测数据的特征属性 x 是个矩阵
:return: 所有数据的预测label
'''
### 将数据转化为numpy数组的形式
self.pre_x = np.array(x)
# 遍历每一条带预测数据
Y_pre = []
for x in self.pre_x:
# print(x)
# 1、从训练集合中获取K个离待预测样本距离最近的样本数据;
k_nearst_neighbors_label = self.feach_k_neighbors(x)
# 2、根据获取得到的K个样本数据来预测当前待预测样本的目标属性值
##统计投票
a = pd.Series(k_nearst_neighbors_label).value_counts()
# print(a)
# pre = a.idxmax() ##idxmax() 和 argmax 功能一样,获取最大值对应的下标索引
y_pre = a.idxmax()
# pre = a.argmax()
# print(pre)
Y_pre.append(y_pre)
return Y_pre
def score(self, x, y):
'''
:param x:
:param y:
:return: 准确率
'''
y_hat = self.predict(x)
acc = np.mean(y == y_hat)
return acc
if __name__ == '__main__':
T = np.array([
[3, 104, -1],
[2, 100, -1],
[1, 81, -1],
[101, 10, 1],
[99, 5, 1],
[98, 2, 1]])
X_train = T[:, :-1]
Y_train = T[:, -1]
x_test = [[18, 90], [50, 50]]
knn = KNN(k=5)
knn.fit(x=X_train, y=Y_train)
print(knn.predict(X_train))
print(knn.predict(x_test))
print(knn.score(x=X_train, y=Y_train))
# knn.fetch_k_neighbors(x_test[0])
print('预测结果:{}'.format(knn.predict(x_test)))
print('-----------下面测试一下鸢尾花数据-----------')
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
X, Y = load_iris(return_X_y=True)
print(X.shape, Y.shape)
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=0)
print(x_train.shape, y_train.shape)
knn01 = KNN(k=1)
knn01.fit(x_train, y_train)
print(knn01.score(x_train, y_train))
print(knn01.score(x_test, y_test))
文章出处登录后可见!