机器学习的敲门砖：kNN算法（上），java算法面试题

最新推荐文章于 2024-07-21 22:04:22 发布

2401_84424625

最新推荐文章于 2024-07-21 22:04:22 发布

阅读量1k

点赞数 16

分类专栏： 2024年程序员学习文章标签：机器学习算法 java

本文链接：https://blog.csdn.net/2401_84424625/article/details/137946983

版权

2024年程序员学习专栏收录该内容

28 篇文章 0 订阅

订阅专栏

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Java开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注Java）

正文

plt.scatter(X_train[y_train1,0],X_train[y_train1,1], color=‘r’, label = ‘Time’)

plt.xlabel(‘Tumor Size’)

plt.ylabel(‘Time’)

plt.axis([0,10,0,5])

plt.show()

数据可视化后生成的图片如下图所示。其中横轴是肿块大小，纵轴是发现时间。每个病人的肿块大小和发病时间构成了二维平面特征中的一个点。对于每个点，我们通过label明确是恶性肿瘤（绿色）、良性肿瘤（红色）。

640?wx_fmt=jpeg

那么现在给出一个肿瘤患者的数据（样本点）x：[8.90933607318, 3.365731514]，是良性肿瘤还是恶性肿瘤

求距离

我们要做的是：求点x到数据集中每个点的距离，首先计算距离，使用欧氏距离

640?wx_fmt=png

下面写代码：

from math import sqrt

distances = [] # 用来记录x到样本数据集中每个点的距离for x_train in X_train:

d = sqrt(np.sum((x_train - x) ** 2))

distances.append(d)# 使用列表生成器，一行就能搞定，对于X_train中的每一个元素x_train都进行前面的运算，把结果生成一个列表distances = [sqrt(np.sum((x_train - x) ** 2)) for x_train in X_train]

distances

输出：[5.611968000921151, 6.011747706769277, 7.565483059418645, 5.486753308891268, 6.647709180746875, 1.9872648870854204, 3.168477291709152, 0.8941051007010301, 0.9830754144862234, 2.7506238644678445]

在求出距离列表之后，我们要找到最小的距离，需要进行一次排序操作。其实不是简单的排序，因为我们把只将距离排大小是没有意义的，我们要知道距离最小的k个点是在样本集中的位置。

这里我们使用函数：np.argsort(array) 对一个数组进行排序，返回的是相应的排序后结果的索引

nearest = np.argsort(distances)

nearest

输出：array([7, 8, 5, 9, 6, 3, 0, 1, 4, 2])

结果的含义是：距离最小的点在distances数组中的索引是7，第二小的点索引是8… 近到远是哪些点

选k值

然后我们选择k值，这里暂定为6，那就找出最近的6个点（top 6），并记录他们的标签值（y）

k = 6topK_y = [y_train[i] for i in nearest[:k]]

topK_y

输出：[1, 1, 1, 1, 1, 0]

决策规则

下面进入投票环节。找到与测试样本点最近的6个训练样本点的标签y是什么。可以查不同类别的点有多少个。

将数组中的元素和元素出现的频次进行统计

from collections import Counter

votes = Counter(topK_y)

votes

输出：一个字典，原数组中值为0的个数为1，值为1的个数有为5Counter({0:1, 1:5})

Counter.most_common(n) 找出票数最多的n个元素，返回的是一个列表，列表中的每个元素是一个元组，元组中第一个元素是对应的元素是谁，第二个元素是频次votes.most_common(1)

输出：[(1,5)]

predict_y = votes.most_common(1)[0][0]

predict_y

输出：1

得到预测的y值是1

自实现完整工程代码

我们已经在jupyter notebook中写好了kNN算法，下面我们在外部进行封装。

相关代码可以在 https://github.com/japsonzbz/ML_Algorithms 中看到

import numpy as npimport math as sqrtfrom collections import Counterclass kNNClassifier:

def init(self, k):

“”“初始化分类器”“”

assert k >= 1, “k must be valid”

self.k = k

self._X_train = None

self._y_train = None

def fit(self, X_train, y_train):

“”“根据训练数据集X_train和y_train训练kNN分类器”“”

assert X_train.shape[0] == y_train.shape[0], \ “the size of X_train must be equal to the size of y_train”

assert self.k <= X_train.shape[0], \ “the size of X_train must be at least k”

self._X_train = X_train

self._y_train = y_train return self def predict(self,X_predict):

“”“给定待预测数据集X_predict，返回表示X_predict结果的向量”“”

assert self._X_train is not None and self._y_train is not None, \ “must fit before predict!”

assert X_predict.shape[1] == self._X_train.shape[1], \ “the feature number of X_predict must be equal to X_train”

y_predict = [self._predict(x) for x in X_predict] return np.array(y_predict) def _predict(self, x):

distances = [sqrt(np.sum((x_train - x) ** 2)) for x_train in self._X_train]

nearest = np.argsort(distances)

topK_y = [self._y_train[i] for i in nearest]

votes = Counter(topK_y) return votes.most_common(1)[0][0] def repr(self):

return “kNN(k=%d)” % self.k

当我们写完定义好自己的kNN代码之后，可以在jupyter notebook中使用魔法命令进行调用：

%run myAlgorithm/kNN.py

knn_clf = kNNClassifier(k=6)

knn_clf.fit(X_train, y_train)

X_predict = x.reshape(1,-1)

y_predict = knn_clf.predict(X_predict)

y_predict

输出：array([1])

现在我们就完成了一个sklearn风格的kNN算法，但是实际上，sklearn封装的算法比我们实现的要复杂得多。

sklearn中的kNN

代码

对于机器学习来说，其流程是：训练数据集 -> 机器学习算法 -fit-> 模型输入样例 -> 模型 -predict-> 输出结果

我们之前说过，kNN算法没有模型，模型其实就是训练数据集，predict的过程就是求k近邻的过程。

我们使用sklearn中已经封装好的kNN库。你可以看到使用有多么简单。

from sklearn.neighbors import KNeighborsClassifier# 创建kNN_classifier实例kNN_classifier = KNeighborsClassifier(n_neighbors=6)# kNN_classifier做一遍fit(拟合)的过程，没有返回值，模型就存储在kNN_classifier实例中kNN_classifier.fit(X_train, y_train)# kNN进行预测predict，需要传入一个矩阵，而不能是一个数组。reshape()成一个二维数组，第一个参数是1表示只有一个数据，第二个参数-1，numpy自动决定第二维度有多少y_predict = kNN_classifier.predict(x.reshape(1,-1))

y_predict

输出：array([1])

在kNN_classifier.fit(X_train, y_train)这行代码后其实会有一个输出：

KNeighborsClassifier(algorithm=‘auto’, leaf_size=30, metric=‘minkowski’,

metric_params=None, n_jobs=1, n_neighbors=6, p=2,

weights=‘uniform’)

参数

class

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform’, algorithm=’auto’, leaf_size=30, p=2, metric=’minkowski’, metric_params=None, n_jobs=None, **kwargs)

我们研究一下参数：

n_neighbors: int, 可选参数(默认为 5)。用于kneighbors查询的默认邻居的数量
weights（权重）: str or callable(自定义类型), 可选参数(默认为 ‘uniform’)。用于预测的权重参数，可选参数如下：
uniform : 统一的权重. 在每一个邻居区域里的点的权重都是一样的。
distance : 权重点等于他们距离的倒数。

使用此函数，更近的邻居对于所预测的点的影响更大。

[callable] : 一个用户自定义的方法，此方法接收一个距离的数组，然后返回一个相同形状并且包含权重的数组。
algorithm（算法）: {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, 可选参数（默认为 ‘auto’）。计算最近邻居用的算法：
ball_tree 使用算法BallTree
kd_tree 使用算法KDTree
brute 使用暴力搜索
auto 会基于传入fit方法的内容，选择最合适的算法。

注意 : 如果传入fit方法的输入是稀疏的，将会重载参数设置，直接使用暴力搜索。

leaf_size（叶子数量）: int, 可选参数(默认为 30)。传入BallTree或者KDTree算法的叶子数量。此参数会影响构建、查询BallTree或者KDTree的速度，以及存储BallTree或者KDTree所需要的内存大小。此可选参数根据是否是问题所需选择性使用。
p: integer, 可选参数(默认为 2)。用于Minkowski metric（闵可夫斯基空间）的超参数。p = 1, 相当于使用曼哈顿距离，p = 2, 相当于使用欧几里得距离]，对于任何 p ，使用的是闵可夫斯基空间。
metric（矩阵）: string or callable, 默认为 ‘minkowski’。用于树的距离矩阵。默认为闵可夫斯基空间，如果和p=2一块使用相当于使用标准欧几里得矩阵. 所有可用的矩阵列表请查询 DistanceMetric 的文档。
metric_params（矩阵参数）: dict, 可选参数(默认为 None)。给矩阵方法使用的其他的关键词参数。
n_jobs: int, 可选参数(默认为 1)。用于搜索邻居的，可并行运行的任务数量。如果为-1, 任务数量设置为CPU核的数量。不会影响fit