02-18 scikit-learn库之k近邻算法
scikit-learn库之k近邻算法
由于k近邻可以做回归又可以做分类，所以最普通的k近邻算法在scikit-learn库中有两种实现，即KNeighborsClassifier和KNeighborsRegressor；上次讲到了k近邻的两个扩展限定半径k近邻，因此该方法在scikit-learn中也有两种实现，即RadiusNeighborsClassifier和RadiusNeighborsRegressor；k近邻还有一种扩展，即最近质心分类算法NearestCentroid。
接下来将会讨论这五者的区别，由于是从官方文档翻译而来，翻译会略有偏颇，有兴趣的也可以去scikit-learn官方文档查看https://scikit-learn.org/stable/modules/classes.html#module-sklearn.neighbors
KNeighborsClassifier
使用场景
KNeighborsClassfier模型就是最普通的k近邻算法，可以通过参数控制使用高斯距离、kd树、球树找到实例的\(k\)个近邻。
代码
from sklearn.neighbors import KNeighborsClassifier
X = [[0], [1], [2], [3]]
y = [0, 0, 1, 1]
neigh = KNeighborsClassifier(n_neighbors=3)
neigh.fit(X, y)
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
metric_params=None, n_jobs=None, n_neighbors=3, p=2,
weights='uniform')
print(neigh.predict([[1.1]]))
[0]
print(neigh.predict_proba([[0.9]]))
[[0.66666667 0.33333333]]
参数详解
- n_neighbors：\(k\)值选择，int类型。一般选择一个较小的\(k\)值，然后通过交叉验证选择一个较好的\(k\)值。默认为5。
- weights：近邻权重，str类型。如果weights='uniform'，则意味着所有近邻的权重都一样；如果weights='distance'，则意味着权重和距离成反比，即距离目标点更近的点有更高的权重；可以自定定义函数自定义权重，输入是距离值，输出是权重值。默认为'uniform'。
- algorithm：算法实现，str类型。如果algorithm='brute'，即最原始的k近邻算法，计算出所有点与点之间的距离；如果algorithm='kd_tree'，即kd树实现；如果algorithm='ball_tree'，即球树实现；如果algorithm='auto'，则模型会选择一个拟合最好的算法。如果样本特征少，使用'auto'即可；如果数据量大或者样本特征多，推荐使用kd树之后再尝试球树，如此做可以提高准确度；如果输入的样本特征是稀疏的时候，scikit-learn始终会自行选择'brute'实现。默认为'auto'。
- leaf_size：叶子节点阈值，int类型。只有当algorithm={'kd_tree','ball_tree'}时该参数才生效，这个值越小，则生成的kd树或球树层数越大，建树时间越长，泛指层数越小，建树时间短。如果样本数量过大，则必须得增大该值，因为树的层数越大，则树越容易过拟合，推荐使用交叉验证选择一个较优值。默认为30。
- p：距离度量附属参数，int类型。只有当metric='minkowski'时该参数才生效，p=1时为曼哈顿距离，p=2时为欧氏距离。默认为2。
- metric：距离度量类型，str类型。metric='euclidean'为欧氏距离；metric='manhattan'为曼哈顿距离；metric='chebyshev'为切比雪夫距离；metric='minkowski'为闵可夫斯基距离；metric='wminkowski'为带权重闵可夫斯基距离；metric='seuclidean'为标准化欧氏距离；metric='mahalanobis'为马氏距离，通常情况下默认的metric='minkowski'+p=2即欧式距离就可以满足大多数业务的需求。默认为'minkowski'。
- metric_params：距离度量附属参数，dict类型。如带权重闵可夫斯基距离的参数，一般不会用到。
- n_jobs：并行数，int类型。n_jobs=1使用1个cpu运行程序；n_jobs=2，使用2个cpu运行程序；n_jobs=-1，使用所有cpu运行程序。默认为1。
方法
- fit(X,y)：把数据放入模型中训练模型。
- get_params([deep])：返回模型的参数，可以用于Pipeline中。
- predict(X)：预测样本X的分类类别。
- predict_proba(X)：返回样本X在各个类别上对应的概率。
- score(X,y[,sample_weight])：基于报告决定系数\(R^2\)评估模型。
- set_prams(**params)：创建模型参数。
kneighbors([X, n_neighbors, return_distance])
找到某个点的n_neighbors个近邻。
# 为方便测试接下来的方法测试我们将通过最近邻模型演示
samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
from sklearn.neighbors import NearestNeighbors
neigh = NearestNeighbors(n_neighbors=1)
neigh.fit(samples)
NearestNeighbors(algorithm='auto', leaf_size=30, metric='minkowski',
metric_params=None, n_jobs=None, n_neighbors=1, p=2, radius=1.0)
print(neigh.kneighbors([[1., 1., 1.]]))
(array([[0.5]]), array([[2]]))
X = [[0., 1., 0.], [1., 0., 1.]]
neigh.kneighbors(X, return_distance=False)
array([[1],
[2]])
kneighbors_graph([X, n_neighbors, mode])
计算样本X的n_neighbors个近邻的权重，可以返回距离或者矩阵关系图。
X = [[0], [3], [1]]
from sklearn.neighbors import NearestNeighbors
neigh = NearestNeighbors(n_neighbors=2)
neigh.fit(X)
A = neigh.kneighbors_graph(X)
A.toarray()
array([[1., 0., 1.],
[0., 1., 1.],
[1., 0., 1.]])
KNeighborsRegressor
KNeighborsRegressor模型类似于KNeighborsClassifier模型，不同的是两个模型找到\(k\)个近邻的时候KNeighborsClassifier模型使用了多数表决发选择类别，而KNeighborsRegressor模型使用了对\(k\)近邻去平均数或者中位数的方法得到预测值。
RadiusNeighborsClassifier
RadiusNeighborsClassifier模型类似KNeighborsClassifier模型，不同之处在于RadiusNeighborsClassifier模型少了两个参数n_neighbors和n_jobs，多了两个参数：
- radius半径大小，float类型。即选择半径大小的参数。默认为1。
- outlier_label，异常点类别，str类型。即假设限定半径后，目标点半径内没有近邻时该选择哪个类别作为输出。默认为None，不建议使用默认值。
RadiusNeighborsRegressor
RadiusNeighborsRegressor模型类似于RadiusNeighborsRegressor模型，不同之处在于少了参数outlier_label，并且两者在得到\(k\)个近邻后处理的方式不同。
NearestCentroid
NearestCentroid模型是基于最近质心分类算法实现的，由于只有metric距离度量参数和shrink_threshold特征距离阈值两个参数，不多赘述。
