拓端数据tecdat|R语言非参数方法：使用核方法和K-NN(k近邻算法)分类预测心脏病数据

原文链接： http://tecdat.cn/?p=22181 

原文出处：拓端数据部落公众号

 

本文考虑一下基于核方法进行分类预测。注意，在这里，我们不使用标准逻辑回归，它是参数模型。

非参数方法

用于函数估计的非参数方法大致上有三种：核方法、局部多项式方法、样条方法。
非参的函数估计的优点在于稳健，对模型没有什么特定的假设，只是认为函数光滑，避免了模型选择带来的风险；但是，表达式复杂，难以解释，计算量大是非参的一个很大的毛病。所以说使用非参有风险，选择需谨慎。
非参的想法很简单：函数在观测到的点取观测值的概率较大，用x附近的值通过加权平均的办法估计函数f(x)的值。

核方法

当加权的权重是某一函数的核,这种方法就是核方法，常见的有Nadaraya-Watson核估计与Gasser-Muller核估计方法，也就是很多教材里谈到的NW核估计与GM核估计，这里我们还是不谈核的选择，将一切的核估计都默认用Gauss核处理。
NW核估计形式为：

 

GM核估计形式为：

式中

数据

使用心脏病数据，预测急诊病人的心肌梗死，包含变量：

1. 心脏指数
2. 心搏量指数
3. 舒张压
4. 肺动脉压
5. 心室压力
6. 肺阻力
7. 是否存活

既然我们知道核估计是什么，我们假设k是N（0,1）分布的密度。在x点，使用带宽h，我们得到以下代码

1.  
    
2.  
   dnorm(( 心搏量指数-x)/bw, mean=0,sd=1)
3.  
   weighted.mean( 存活,w)}
4.  
   plot(u,v,ylim=0:1,
5.  
    
6.  
   ​

当然，我们可以改变带宽。

1.  
   Vectorize( mean_x(x,2))(u)
2.  
    
3.  
    
4.  
   ​

我们观察到：带宽越小，我们得到的方差越大，偏差越小。“越大的方差”在这里意味着越大的可变性（因为邻域越小，计算平均值的点就越少，估计值也就越不稳定），以及“偏差越小”，即期望值应该在x点计算，所以邻域越小越好。

使用光滑函数

用R函数来计算这个核回归。

smooth( 心搏量指数, 存活, ban  = 2*exp(1) 

我们可以复制之前的估计。然而，输出不是一个函数，而是两个向量序列。此外，正如我们所看到的，带宽与我们以前使用的带宽并不完全相同。

1.  
    
2.  
   smooth(心搏量指数,存活,"normal",bandwidth = bk)
3.  
   optim(bk,f)$par}
4.  
   x=seq(1,10,by=.1)
5.  
   plot(x,y)
6.  
   abline(0,exp(-1),col="red")
7.  
    
8.  
    
9.  
   ​

斜率为0.37，实际上是e^{-1}。

高维应用

现在考虑我们的双变量数据集，并考虑一些单变量（高斯）核的乘积

1.  
   ​
2.  
    
3.  
   w = dnorm((df$x1-x)/bw1, mean=0,sd=1)*
4.  
   dnorm((df$x2-y)/bw2, mean=0,sd=1)
5.  
   w.mean(df$y=="1",w)
6.  
   contour(u,u,v,levels = .5,add=TRUE)
7.  
    
8.  
   ​

我们得到以下预测

在这里，不同的颜色是概率。

K-NN(k近邻算法)

另一种方法是考虑一个邻域，它不是用到点的距离来定义的，而是用我们得到的n观测值来定义k邻域（也就是k近邻算法）。

接下来，我们自己编写函数来实现K-NN(k近邻算法)：

困难的是我们需要一个有效的距离。

如果每个分量的单位都非常不同，那么使用欧几里德距离将毫无意义。所以，我们考虑马氏距离

1.  
   mahalanobis = function(x,y,Sinv){as.numeric(x-y)%*%Sinv%*%t(x-y)}
2.  
   mahalanobis(my[i,1:7],my[j,1:7])
3.  
    
4.  
   ​

这里我们有一个函数来寻找k最近的邻居观察样本。然后可以做两件事来得到一个预测。我们的目标是预测一个类，所以我们可以考虑使用一个多数规则：对yi的预测与大多数邻居样本的预测是一样的。

1.  
    
2.  
   for(i in 1:length(Y)) Y[i] = sort( 存活[k_closest(i,k)])[(k+1)/2]
3.  
    
4.  
    
5.  
   ​

我们也可以计算出最近邻居中黑点的比例。它实际上可以被解释为是黑色的概率，

1.  
   for(i in 1:length(Y)) Y[i] = mean( 存活[k_closest(i,k)])
2.  
    
3.  
    
4.  
   ​

我们可以在数据集上看到观察结果，基于多数原则的预测，以及死亡样本在7个最近的邻居中的比例

k_ma(7),PROPORTION=k_mean(7))

这里，我们得到了一个位于 x 的观测点的预测，但实际上，可以寻找任何 x的最近邻k。回到我们的单变量例子(得到一个图表)，我们有

1.  
   ​
2.  
    
3.  
   w = rank(abs(心搏量指数-x),method ="random")
4.  
   mean(存活[which(<=9)])}
5.  
    
6.  
    
7.  
   ​

不是很平滑，但我们的点也不是很多。
如果我们在二维数据集上使用这种方法，我们就会得到以下的结果。

1.  
    
2.  
   k = 6
3.  
   dist = function(j) mahalanobis(c(x,y))
4.  
   vect = Vectorize( dist)(1:nrow(df))
5.  
   idx = which(rank(vect<=k)
6.  
    
7.  
   contour(u,u,v,levels = .5,add=TRUE)
8.  
    
9.  
   ​

这就是局部推理的思想，用kernel对 x的邻域进行推理，或者用k-NN近邻。

---

最受欢迎的见解

1.从决策树模型看员工为什么离职

2.R语言基于树的方法：决策树，随机森林

3.python中使用scikit-learn和pandas决策树

4.机器学习：在SAS中运行随机森林数据分析报告

5.R语言用随机森林和文本挖掘提高航空公司客户满意度

6.机器学习助推快时尚精准销售时间序列

7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用

8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）

9.python中用pytorch机器学习分类预测银行客户流失