K-近邻算法

K-近邻算法 👉 KNeighborsClassifier

原理 ：

　　如果一个样本在 特征空间中的 k个值 (即特征空间中邻近)的 样本中的 大多数 属于某一个类别 ， 则该样本也属于这个类别。也理解为：离谁最近，与谁一样。找K个最近的点 ， 看这k个点中 ， 类别最多的那个类别。 

　　特别需要注意的是 ： 运行k-近邻算法之前，必须做标准化处理！！！

---

K-近邻算法步骤 ：

我们可以从 最近邻算法 ， 来推演 k近邻算法， 其步骤是 ：

• 计算已知类别数据集中的点与当前点之间的距离
• 按照距离递增次序排序
• 选取与当前距离最小的k个点
• 确定前k个点所在类别的出现频率
• 返回前k个点所在频率最高的类别作为当前点的预测分类

由此可知 ， k近邻算法其实本质上并不是以最近的点为分类， 而是以最近的k个点的分类出现的概率最高为分类， 这点跟我们在spss逻辑回归中的思路是一致的。

 

k-近邻算法特点：

• 优点
  • • 简单好用， 容易理解， 精度高， 理论成熟， 既可以用来做分类也可以用来做回归； 可用于数值型数据和离散型数据； 训练时间复制为O(n); 无数据输入假定； 对异常值不敏感。
• 缺点
  • • 计算复杂性高； 空间复杂性高； 样本不平衡问题(即有些类别的样本数量很多， 而其他样本的数量很少); 一般数值很大的时候不用这个， 计算量太大。 但是单个样本数不能太少， 否则容易发生误分。 最大的缺点是无法给出数据的内在含义。

k-近邻算法API：

# 导入及参数
from sklearn.neighbors.KNeighborsClassifier(
        n_neighbors=5,  # int, 可选参数(默认为 5)
        weights='uniform',  #  参数有‘uniform’和‘distance’，可以选择调试。
        algorithm='auto',   #算法 {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, 可选参数（默认为 'auto'）
        leaf_size=30,   #叶子数量 int, 可选参数(默认为 30)
        p=2,   # integer, 可选参数(默认为 2)
        metric='minkowski',   #矩阵 string or callable, 默认为 ‘minkowski’
        metric_params=None,   #矩阵参数 dict, 可选参数(默认为 None)
        n_jobs=None,   #int, 可选参数(默认为 1) 用于搜索邻居的，可并行运行的任务数量。如果为-1, 任务数量设置为CPU核的数量。
        **kwargs,   # 
)

---

案例( 项目说明) :　　

海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选，但她 并不是喜欢每一个人。
经过一番总结，她发现自己交往过的人可以进行如下分类：不喜欢的人；魅力一 般的人；极具魅力的人。
海伦收集约会数据已经有了一段时间，每个样本数据占据一行，总共有1000行。 
海伦收集的样本数据主要包含以下3种特征：每年获得的飞行常客里程数；玩视频游戏所消耗时间 百分比；每周消费的冰淇淋公升数。
请通过这些数据进行机器学习，用来预测海伦对下一个约会对象的感觉。

from sklearn.neighbors import KNeighborsClassifier 
from sklearn.model_selection import train_test_split 
from sklearn.preprocessing import MinMaxScaler
# 读取数据 
import pandas as pd import numpy as np
data = np.loadtxt('datingTestSet.txt', dtype=np.object, delimiter='\t', encoding='gbk') df = pd.DataFrame(data)
# 获取特征值 
x = df.iloc[:,:3] 
# 获取目标值 
y = df[3]
# 特征工程 
# 归一化 
scaler = MinMaxScaler() 
x = scaler.fit_transform(x)
# 分割数据集 
train_x, test_x, train_y, test_y = train_test_split(x, y, test_size=0.25)
# knn 
kn = KNeighborsClassifier(n_neighbors=30) 
# 选择500个邻居 
kn.fit(train_x, train_y)
# 得出预测结果 
predict = kn.predict(test_x) 
print('预测结果为：', predict)
#  得出准确率 
print('------------ >测试集正确率： {0}\n'.format(round(kn.score(test_x,test_y),3))) 
print('------------ >训练集正确率： {0}\n'.format(round(kn.score(train_x,train_y),3))) 
print('------------ >全集正确率：{0}\n'.format(round(kn.score(x,y),3)))
# 模型的保存 
from sklearn.externals import joblib 
joblib.dump(kn, 'kn.m')

#---------分界线-------------#
# 调用保存好的模型
from sklearn.externals import joblib
kn_new = joblib.load('kn.m')
# 预测样本归一化 
scaler = MinMaxScaler() 
s = ([12,44000,0.5],[0.1,200,0.8],[68,32000,0.3]) 
s = scaler.fit_transform(s)  
kn_new.fit(s)

 

为什么要对预测样本做归一化?

　　预测样本数据没有归一化会导致分类成为同一类别,由于维度太大,如果不采用归一化处理的话,各个点的距离值将非常大,故模型对于待测点的预测结果值都判为同一个。

---

K-近邻算法 总结 ：

• k值的取值问题
  • • K值取多大？有什么影响？
      • k值取很小：容易受异常的影响
      • k值取很大：容易受到k值数量(类别)波动
• 性能问题
  • • 如果样本越来越大， 算法时间、空间复杂度都会越来越大
• 优点
  • • 简单， 易于理解， 易于实现， 无需估计参数， 无需训练
• 缺点
  • • 懒惰算法， 对测试样本分类时的计算量大， 内存开销大， 必须指定k值， k值选择不当则分类精确度不能保证
• 使用场景　　
  • • 小数据场景，几千~几万样本， 具体场景 具体业务去测。