机器学习——K-近邻算法

缺乏、安全感 2023-06-29 05:48 31阅读 0赞

## 一、k-近邻算法简介 ##

**1.1、作者**  
k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。

**1.2、原理**  
存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

**通俗的讲**：**把样本提取特征标签，以标签为轴，用距离公式计算距离，统计 K 个距离最短的样本类型，以出现次数最多的类型作为新数据分类。**

距离衡量的标准有很多，常见的有：**欧氏距离、Lp距离、切比雪夫距离、马氏距离、巴氏距离、余弦值等。**

**1.3、欧氏距离公式**  
![在这里插入图片描述][20200112231516277.png]

## 二、示例 ##

**2.1、电影分类**  
例如对电影进行分类：我们提取特征标签有打斗镜头、接吻镜头次数。  
![在这里插入图片描述][20200112223128156.png]  
**两个特征标签可以在二维坐标轴上**，使用欧氏距离公式即为

**d = √(x1\-x2)2\+(y1\-y2)2**  
![在这里插入图片描述][20200111192509175.png]  
**2.2、具体方法**

1.  准备数据：将数据分类，提取特征标签
2.  分析数据：使用 K\_NN 算法判断数据结果

**计算每个训练数据和测试数据的距离，然后进行排序，取距离最近的前 K 个分类，分类最多的为测试数据最总分类。**

**2.3、python代码实现**

# !/usr/bin/python
    # -*- coding: utf-8 -*- 
    # @File : KNN_test1.py
    import numpy as np
    import operator
    
    
    def createDataSet():
        """
        函数说明:创建数据集
        Returns:
            group；  数据集
            labels； 分类标签
        """
        # 四组二维特征
        group = np.array([[1, 101], [5, 89], [108, 5], [115, 8]])
        # 四组特征的标签
        labels = ['爱情片', '爱情片', '动作片', '动作片']
        return group, labels
    
    
    def classify0(inX, dataSet, labels, k):
        """
        函数说明:kNN算法,分类器
        Args:
            inX:        用于分类的数据(测试集)
            dataSet:    用于训练的数据(训练集)
            labels:     分类标签
            k:          kNN算法参数,选择距离最小的k个点
        Returns:
            sortedClassCount[0][0]: 分类结果
        """
        # numpy函数shape[0]返回dataSet的行数
        dataSetSize = dataSet.shape[0]
        # 在列向量方向上重复inX共1次(横向)，行向量方向上重复dataSet共dataSetSize次(纵向)
        diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
        # 二维特征相减后平方
        sqDiffMat = diffMat ** 2
        # sum()所有元素相加，sum(0)列相加，sum(1)行相加
        sqDistances = sqDiffMat.sum(axis=1)
        # 开方，计算出距离
        distances = sqDistances ** 0.5
        # 返回distances中元素从小到大排序后的索引值
        sortedDistIndices = distances.argsort()
        # 定一个记录类别次数的字典
        classCount = {
        }
        for i in range(k):
            # 取出前k个元素的类别
            voteIlabel = labels[sortedDistIndices[i]]
            # dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
            # 计算类别次数
            classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
        # python3中用items()替换python2中的iteritems()
        # key=operator.itemgetter(1)根据字典的值进行排序
        # key=operator.itemgetter(0)根据字典的键进行排序
        # reverse降序排序字典
        sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
        # 返回次数最多的类别,即所要分类的类别
        return sortedClassCount[0][0]
    
    
    if __name__ == '__main__':
        # 创建数据集
        group, labels = createDataSet()
        print(group)
        print(labels)
        # 测试集
        test = [101, 20]
        # kNN分类
        test_class = classify0(test, group, labels, 3)
        # 打印分类结果
        print(test_class)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70]

## 三、总结 ##

**3.1、优缺点**  
K-近邻法必须先把数据集存下来，然后类似于比对的来作比较。K近邻法实际上是利用训练数据集对特征向量空间进行划分,并且作为其分类的模型

**优点：**

1.  多数表决规则等价于经验风险最小化.
2.  精度高,对异常值不敏感,无数据输入假定

**缺点：**

1.  K值选择太小,意味着整体模型变得复杂,容易发生过拟合.但是K值要是选择过大的话,容易忽略实例中大量有用的信息,也不可取.一般是先取一个比较小的数值,通常采用交叉验证的方式来选取最优的K值.
2.  计算复杂度高,空间复杂度高

**3.2、注意**  
**距离公式的选择和 K 的个数选择十分重要，例如：**  
（1）当 K 不同时，明显分类结果在改变  
![在这里插入图片描述][20200112234716117.png]

**3.3、组成部分**  
（1）基准数据  
（2）测试数据  
（3）分类器

[20200112231516277.png]: https://img-blog.csdnimg.cn/20200112231516277.png
[20200112223128156.png]: https://img-blog.csdnimg.cn/20200112223128156.png
[20200111192509175.png]: https://img-blog.csdnimg.cn/20200111192509175.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200112233810298.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg==,size_16,color_FFFFFF,t_70
[20200112234716117.png]: https://img-blog.csdnimg.cn/20200112234716117.png