K-邻近算法（KNN）

分类解决离散问题，回归解决连续问题

导引：

如何进行电影分类

众所周知，电影可以按照题材分类，然而题材本身是如何定义的?由谁来判定某部电影属于哪 个题材?也就是说同一题材的电影具有哪些公共特征?这些都是在进行电影分类时必须要考虑的问 题。没有哪个电影人会说自己制作的电影和以前的某部电影类似，但我们确实知道每部电影在风格 上的确有可能会和同题材的电影相近。那么动作片具有哪些共有特征，使得动作片之间非常类似， 而与爱情片存在着明显的差别呢？动作片中也会存在接吻镜头，爱情片中也会存在打斗场景，我们 不能单纯依靠是否存在打斗或者亲吻来判断影片的类型。但是爱情片中的亲吻镜头更多，动作片中 的打斗场景也更频繁，基于此类场景在某部电影中出现的次数可以用来进行电影分类。

本章介绍第一个机器学习算法：K-近邻算法，它非常有效而且易于掌握。

1 K-近邻算法原理

简单地说，K-近邻算法采用测量不同特征之间的距离方法进行分类。

优点：精度高·对异常值不敏感、无数据输入假定

缺点：时间复杂度高、空间复杂度高

适用数据范围：数值型和标称型

工作原理

存在一个样本数据集合，也成作训练本集，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数据 与所属分类的对应关系。输人没有标签的新数据后，将新数据的每个特征与样本集中数据对应的 特征进行比较，然后算法提取样本集中特征最相似数据（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。

回到前面电影分类的例子，使用K-近邻算法分类爱情片和动作片。有人曾经统计过很多电影的打斗镜头和接吻镜头，下图显示了6部电影的打斗和接吻次数。假如有一部未看过的电影，如何确定它是爱情片还是动作片呢？我们可以使用K-近邻算法来解决这个问题。

1.PNG

首先我们需要知道这个未知电影存在多少个打斗镜头和接吻镜头，上图中问号位置是该未知电影出现的镜头数图形化展示，具体数字参见下表。

2.PNG

即使不知道未知电影属于哪种类型，我们也可以通过某种方法计算出来。首先计算未知电影与样本集中其他电影的距离，如图所示。

3.PNG

现在我们得到了样本集中所有电影与未知电影的距离，按照距离递增排序，可以找到K个距 离最近的电影。假定k=3，则三个最靠近的电影依次是California Man、He's Not Really into Dudes、Beautiful Woman。K-近邻算法按照距离最近的三部电影的类型，决定未知电影的类型，而这三部电影全是爱情片，因此我们判定未知电影是爱情片。

欧几里得距离(Euclidean Distance)

欧氏距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。公式如下：

4.png

2、在scikit-learn库中使用k-近邻算法

分类问题：from sklearn.neighbors import KNeighborsClassifier

回归问题：from sklearn.neighbors import KNeighborsRegressor

K-近邻算法的一般流程

（1）收集数据 ： 可以使用任何放大

（2）准备数据：距离计算所需要的数值，最好是结构化的数据格式。

（3）分析数据：可以使用任何方法

（4）训练算法：此步骤不适用于K-近邻算法

（5）测试算法：计算错误率

（6）使用算法：首先需要输入样本数据和机构化的输出结果，然后运行K-近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理

一个最简单的例子

from sklearn.neighbors import KNeighborsClassifier #导入头文件

neigh = KNeighborsClassifier(n_neighbors=3)

X = [[181,80,44],[177,70,43],[160,60,38],[154,54,37],

[166,65,40],[190,90,47],[175,64,39],[177,70,40],

[159,55,37],[171,75,42],[181,85,43]]

Y = ['male','male','female','female','male','male','female','female','female','male','male']

# 第1步：训练数据

neigh.fit(X,Y)

# 第2步：预测数据

Z = neigh.predict([190,70,43])

display(Z)

用于分类

# 导入库：KNeighborsClassifier

import numpy as np

from sklearn.neighbors import KNeighborsClassifier

import matplotlib.pyplot as plt

from matplotlib.colors import ListedColormap

# 导入sklearn自带数据集

from sklearn import datasets

# 得到训练样本

iris = datasets.load_iris()

X = iris.data[:,:2]

y = iris.target

# 设置K

K = 15

# 设置图片x,y轴的步长

h = 0.02

# 设置图片显示

cmap_light = ListedColormap(['#FFAAAA','#AAFFAA','#AAAAFF'])

cmap_bold = ListedColormap(['#FF0000','#00FF00','#0000FF'])

# 定义一个分类器

clf = KNeighborsClassifier(n_neighbors=K)

# 第1步：训练分类器

clf.fit(X,y)

# 图片的显示范围

x_min, x_max = X[:,0].min()-1, X[:,0].max()+1

y_min, y_max = X[:,1].min()-1, X[:,1].max()+1

# 图片的背景显示坐标

xx,yy = np.meshgrid(np.arange(x_min,x_max,h),

np.arange(y_min,y_max,h))

# 第2步：预测

Z = clf.predict(np.c_[xx.ravel(),yy.ravel()])

z = Z.reshape(xx.shape)

#plt.figure()

# 显示背景的颜色

plt.pcolormesh(xx,yy,z,cmap=cmap_light)

# 显示点的颜色

plt.scatter(X[:,0],X[:,1],c = y,cmap=cmap_bold)

plt.xlim(xx.min(),xx.max())

plt.ylim(yy.min(),yy.max())

plt.title('3-class classification')

plt.show()

用于回归

先生成样本数据

import numpy as np

import matplotlib.pyplot as plt

from sklearn.neighbors import KNeighborsRegressor

%matplotlib inline

# 设置随机种子，确保每次运行得到相同结果

np.random.seed(0)

X = np.sort(5*np.random.rand(40,1),axis = 0)

T = np.linspace(0,5,100)[:,np.newaxis]

y = np.sin(X).ravel()

y[::5] += 1*(0.5 - np.random.rand(8))

K = 5

# 定义一个KNN回归模型

knn = KNeighborsRegressor(n_neighbors=K)

# 第一步：训练数据

knn.fit(X,y)

# 第二步：预测数据

y_ = knn.predict(T)

# 画图

plt.scatter(X,y,c='k',label = 'data')

plt.plot(T,y_,c='g',label = 'prediction')

plt.axis('tight')

plt.legend()

yy = knn.predict(2)

display(yy)