数据挖掘——分类算法——KNN
KNN(K Nearest Neighbors):K近邻分类算法
KNN算法从训练集中找到和新数据最接近的K条记录，然后根据他们的主要分类来决定新数据的类别。
KNN分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，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。
KNN算法的核心思想是如果一个样本在特征空间中的k个最相邻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，并具有这个类别上样本的特性。
该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法在类别决策时，只与极少量的相邻样本有关。
由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
优点：
1.简单，易于理解，易于实现，无需估计参数，无需训练；
2. 适合对稀有事件进行分类；
3.特别适合于多分类问题(multi-modal,对象具有多个类别标签)， kNN比SVM的表现要好。
缺点：
1.KNN算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。 该算法只计算“最近的”邻居样本，某一类的样本数量很大，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本。无论怎样，数量并不能影响运行结果。
2.该方法的另一个不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。
3.可理解性差，无法给出像决策树那样的规则。
改进策略：
针对以上算法的不足，算法的改进方向主要分成了分类效率和分类效果两方面。
分类效率：事先对样本属性进行约简，删除对分类结果影响较小的属性，快速的得出待分类样本的类别。该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。
分类效果：采用权值的方法（和该样本距离小的邻居权值大）来改进，Han等人于2002年尝试利用贪心法，针对文件分类实做可调整权重的k最近邻居法WAKNN (weighted adjusted k nearest neighbor)，以促进分类效果；而Li等人于2004年提出由于不同分类的文件本身有数量上有差异，因此也应该依照训练集合中各种分类的文件数量，选取不同数目的最近邻居，来参与分类。
分类问题的验证方法：交叉验证（Cross Validation）
K折交叉验证（K-fold Cross Validation）：设置k=10，那么我们把原来的数据集随机分为10份，分别为{D1,D2,D3...D10}
接着，使用D1作为测试集，{D2,D3...D10}作为训练集，计算得分S1
使用D2作为测试集，{D1,D3...D10}作为训练集，计算得分S2
.........
最后，使用D10作为测试集，{D1,D2...D9}作为训练集，计算得分S10
计算{S1,S2,...,S10}的平均值，作为模型的综合评分
iris数据集：常用的分类实验数据集，即鸢尾花卉数据集，是一个多重变量数据集，通过包含的4个属性（花萼长度、花萼宽度、花瓣长度、花瓣宽度）来预测属于三类鸢尾花中的哪一类。
python中对iris数据集使用KNN分类的简单实现：
import numpy as np from sklearn import datasets #引入iris数据集 iris = datasets.load_iris() #查看数据规模 iris.data.shape #150行，4列 #查看训练目标的分类（标签） np.unique(iris.target) #共有 0，1，2 三个分类 #切分训练集 from sklearn.model_selection import train_test_split #将数据集按7：3切分为训练集和测试集（特征变量和目标变量） data_train, data_test, target_train, target_test = train_test_split( iris.data, #特征数据 iris.target, #目标数据 test_size=0.3) #测试集占比 # KNN建模(1折交叉验证) from sklearn import neighbors knnmodel = neighbors.KNeighborsClassifier(n_neighbors=3) #n_neighbors参数为分类个数 knnmodel.fit(data_train,target_train) knnmodel.score(data_train,target_train) # 5折交叉验证 from sklearn.model_selection import cross_val_score #cross_val_score函数传入模型、特征数据、目标数据和 K值 cross_val_score(knnmodel,iris.data,iris.target,cv=5) #模型预测,得到分类结果 knnmodel.predict([[0.1,0.2,0.3,0.4]])
