- 定义
- K - 近邻（K - Nearest Neighbors，KNN）模型是一种基于实例的监督学习算法。它的基本思想是给定一个训练数据集，对于一个新的输入实例，在训练数据集中找到与它最相似（距离最近）的K个实例，然后根据这K个实例的类别（对于分类问题）或数值（对于回归问题）来预测新实例的类别或数值。
- 例如，在一个判断水果是苹果还是橙子的分类问题中，如果K = 3，新水果周围最近的3个水果中有2个是苹果，1个是橙子，那么这个新水果可能就被分类为苹果。
- 距离度量
- 欧几里得距离：这是最常用的距离度量方法。对于两个n维向量\(x=(x_1,x_2,\cdots,x_n)\)和\(y=(y_1,y_2,\cdots,y_n)\)，欧几里得距离\(d(x,y)=\sqrt{\sum_{i = 1}^{n}(x_i - y_i)^2}\)。例如，在二维平面上，点\((1,2)\)和\((4,6)\)之间的欧几里得距离为\(\sqrt{(1 - 4)^2+(2 - 6)^2}=\sqrt{9 + 16}=\sqrt{25}=5\)。
- 曼哈顿距离：也称为城市街区距离。对于两个n维向量\(x=(x_1,x_2,\cdots,x_n)\)和\(y=(y_1,y_2,\cdots,y_n)\)，曼哈顿距离\(d(x,y)=\sum_{i = 1}^{n}\vert x_i - y_i\vert\)。在二维平面中，就像是在街道网格中行走的距离，比如从\((1,1)\)到\((3,3)\)的曼哈顿距离是\(\vert1 - 3\vert+\vert1 - 3\vert=4\)。
- 闵可夫斯基距离：它是欧几里得距离和曼哈顿距离的推广。对于两个n维向量\(x=(x_1,x_2,\cdots,x_n)\)和\(y=(y_1,y_2,\cdots,y_n)\)，闵可夫斯基距离\(d(x,y)=(\sum_{i = 1}^{n}\vert x_i - y_i\vert^p)^{\frac{1}{p}}\)，其中\(p\geq1\)。当\(p = 2\)时，它就是欧几里得距离；当\(p = 1\)时，它是曼哈顿距离。
- K值的选择
- K值的大小对模型的性能有很大影响。如果K值较小，模型容易受到噪声数据的影响，产生过拟合。例如，当K = 1时，新数据点的类别完全由最近的一个点决定，若这个最近的点是噪声点，就会导致错误分类。
- 如果K值较大，模型会变得简单，可能会忽略掉数据中的局部特性，产生欠拟合。例如，在一个数据分布不均匀的数据集里，若K值过大，可能会把新数据分类到错误的多数类中。
- 通常可以通过交叉验证等方法来选择合适的K值，即把数据集分成训练集和验证集，尝试不同的K值，观察在验证集上的准确率等性能指标，选择使性能最好的K值。
- 分类规则
- 多数表决法（用于分类问题）：在找到的K个近邻中，统计每个类别出现的次数，将新数据点分类为出现次数最多的类别。例如，K = 5，近邻中有3个属于类别A，2个属于类别B，那么新数据点就被分类为类别A。
- 加权投票法：根据近邻点与新数据点的距离赋予不同的权重，距离越近权重越大。比如，距离为\(d_1\)的近邻点权重\(w_1=\frac{1}{d_1}\)，然后按照权重统计类别出现的次数来进行分类。这样可以使距离更近的点对分类结果产生更大的影响。
- 回归规则（用于回归问题）
- 简单平均法：对于K个近邻的数值型输出，计算它们的平均值作为新数据点的预测值。例如，K = 4，四个近邻的数值分别是10、12、9、11，那么新数据点的预测值为\((10 + 12+9 + 11)/4 = 10.5\)。
- 加权平均法：类似于加权投票法，根据距离赋予权重，然后计算加权平均值作为预测值。例如，K = 3，近邻的数值分别是8、10、12，距离新数据点的距离分别是1、2、3，权重分别是\(1/1\)、\(1/2\)、\(1/3\)，预测值为\(\frac{(8\times1/1)+(10\times1/2)+(12\times1/3)}{1/1 + 1/2+1/3}\)。
- 优点
- 简单直观：算法的原理易于理解，不需要复杂的训练过程，直接根据训练数据进行预测。
- 对数据分布没有假设：不像一些模型（如高斯分布假设的线性回归），KNN不需要对数据的分布进行假设，适用于各种类型的数据分布。
- 可以处理多分类问题：在分类任务中，很容易扩展到多个类别，通过多数表决或加权投票来确定类别。
- 缺点
- 计算复杂度高：当数据集很大时，计算新数据点与所有训练数据点的距离会非常耗时。特别是在高维数据情况下，计算量会急剧增加，这被称为“维度灾难”。
- 需要大量的内存：存储所有的训练数据点来进行距离计算，对于大规模数据集，内存需求较大。
- 对不平衡数据敏感：如果数据集中不同类别样本数量差异很大，少数类可能会被多数类淹没，导致分类性能下降。例如，在一个数据集里，90%是类别A，10%是类别B，KNN可能会倾向于把新数据分类为类别A。
- 应用场景
- 数据分类：如文本分类，将文档根据内容分类到不同的主题类别；图像识别，判断图像中的物体属于哪一类（如猫、狗等）。
- 数据预测（回归）：例如预测房价，根据附近相似房屋的价格来预测目标房屋的价格；股票价格预测，根据历史上相似市场情况的股票价格来预测当前股票价格。
posted @
2024-12-24 17:02
软件职业规划
阅读(
25)
评论()
编辑
收藏
举报
