KNN算法实现，KD-Tree与sklearn实现

距离度量

闵可夫斯基距离

• 假设有两个样本点x1、x2，它们两者之间的闵可夫斯基距离L_{p}定义为：
  $L_p\left(x_1,x_2\right)={\left({\sum }_{l=1}^n{\left|x_i^{(l)}-x_j^{(l)}\right|}^p\right)}^{\frac{1}{p}}$
• 当p=1时，称为曼哈顿距离：
  $L_p\left(x_1,x_2\right)={\left({\sum }_{l=1}^n{\left|x_i^{(l)}-x_j^{(l)}\right|}^1\right)}^{\frac{1}{1}}$
• 当p=2时，称为欧氏距离：
  $L_p\left(x_1,x_2\right)={\left({\sum }_{l=1}^n{\left|x_i^{(l)}-x_j^{(l)}\right|}^2\right)}^{\frac{1}{2}}$
• 当p=∞时，称为切比雪夫距离：
  $L_p\left(x_1,x_2\right)={\max }_l\left|x_i^{(l)}-x_j^{(l)}\right|$

加权平均

假设有a_{1}，a_{2}，a_{3}三个数，对应权重为$p_2，p_2，p_3$，则加权平均值：$\bar{a}=\frac{p_1{a}_1+p_2{a}_2+p_3{a}_3}{p_1+p_2+p_3}$

KNN

K近邻：就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。
算法原理较简单，主要是通过距离度量进行实现：

• 计算测试数据与各个训练数据之间的距离；
• 按照距离的递增关系进行排序；
• 选取距离最小的K个点；
• 确定前K个点所在类别的出现频率；
• 返回前K个点中出现频率最高的类别作为测试数据的预测分类

分类例子

• 假设有电影类型数据如下：
  
• 将数据用坐标轴进行描述

• 计算待预测电影与已知电影的欧氏距离
  
• 而后，将距离从小到大进行排序，就得到$[18.7,19.2,20.5,115.3]$，然后找到对应电影名称的类型，发现爱情片有三个，动作片有1个，因此待预测电影归为爱情片

回归例子

• 同理，计算距离后并排序，取k=4，得到$[18.7,19.2,20.5,115.3]$，所以预测的电影的甜蜜指数就采用距离进行加权，得到的值为预测值

KNN的三个基本要素

距离、k值的选择、决策规则

• 距离：一般使用欧式距离，也可以使用曼哈顿距离、切比雪夫距离等
• K值的选择
  k值的选择会对kNN模型的结果产生重大影响。选择较大的k值，相当于用较大邻域中的训练实例进行预测，模型会考虑过多的邻近点实例点，甚至会考虑到大量已经对预测结果没有影响的实例点，会让预测出错；选择较小的k值，相当于用较小邻域中的训练实例进行预测，会使模型变得敏感（如果邻近的实例点恰巧是噪声，预测就会出错）
  – 可使用网格搜索方法进行k的的选择，找到最优k值
• 决策规则
  1、分类：往往是多数表决，即由输入实例的k个邻近的训练实例中的多数决定待测实例的类。或带权投票
  2、回归：取平均值。或带权取平均值

步骤实现与sklearn实现

# python3.7
# -*- coding: utf-8 -*-
#@Author    : huinono
#@Software  : PyCharm

import warnings
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler,LabelEncoder
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.neighbors import KNeighborsClassifier,KNeighborsRegressor
from sklearn.metrics import classification_report,mean_squared_error,r2_score

warnings.filterwarnings('ignore')

mpl.rcParams['font.sans-serif'] = 'SimHei'
mpl.rcParams['axes.unicode_minus'] = 'False'

plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = 'False'

def knn_Vote():
    movie = ['爱情片','动作片']
    data = np.array([
        [3,104,0],[2,100,0],[1,81,0],[101,10,1],[99,5,1],[98,2,1]
    ])
    #test sample
    x = [18,90]
    k=5 #k value
    dis = []
    for i in data:
        d = np.sqrt((x[0] - i[0]) ** 2 + (x[1] - i[1]) ** 2)
        dis.append([d,i[2]])
    dis.sort(key=lambda  x:x[0])
    print(dis)
    count = {}
    for i in dis[0:k]:
        if count.get(i[1]) == None:
            count[i[1]] = 1
        else:
            count[i[1]] += 1
    max_key = max(count,key=count.get)
    print(count)
    print(movie[max_key])

def knn_VoteRight():
    movie = ['爱情片', '动作片']
    data = np.array([
        [3, 104, 0], [2, 100, 0], [1, 81, 0],
        [101, 10, 1], [99, 5, 1], [98, 2, 1]
    ])
    # test sample
    x = [18, 90]
    k = 5  # k value
    dis = []
    for i in data:
        d = np.sqrt((x[0] - i[0]) ** 2 + (x[1] - i[1]) ** 2)
        dis.append([d, i[2]])
    dis.sort(key=lambda x: x[0])
    print(dis)
    count = {}
    for i in dis:
        if count.get(i[1]) == None:
            count[i[1]] = 1/i[0]
        else:
            count[i[1]] += 1/i[0]
    max_key = max(count,key=count.get)
    print(count)
    print(movie[max_key])

def knn_Regression():
    data = np.array([
        [3, 104, 98], [2, 100, 93], [1, 81, 95],
        [101, 10, 16], [99, 5, 8], [98, 2, 7]
    ])
    # test sample
    x = [18, 90]
    k = 5  # k value
    dis = []
    for i in data:
        d = np.sqrt((x[0] - i[0]) ** 2 + (x[1] - i[1]) ** 2)
        dis.append([d, i[2]])
    dis.sort(key=lambda x: x[0])
    sum = 0
    for i in dis[0:k]:
        sum += i[1]
    print(sum/k) #the value is predicted by regression

def knn_VoteRegression():
    data = np.array([
        [3, 104, 98], [2, 100, 93], [1, 81, 95],
        [101, 10, 16], [99, 5, 8], [98, 2, 7]
    ])
    # test sample
    x = [18, 90]
    k = 5  # k value
    dis = []
    for i in data:
        d = np.sqrt((x[0] - i[0]) ** 2 + (x[1] - i[1]) ** 2)
        dis.append([d, i[2]])
    dis.sort(key=lambda x: x[0])
    dis = [[1/i[0],i[1]] for i in dis][0:k]
    a = 1/sum([i[1] for i in dis])
    res = sum([i[0]*i[1] for i in dis])
    print(res*a)

def knn_classification():
    iris_dara = load_iris()
    x = iris_dara['data']
    y = iris_dara['target']
    #y的标签化处理
    y = LabelEncoder().fit_transform(y)
    x = StandardScaler().fit_transform(x)
    #使用留出法切分数据
    x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.3)
    #使用网格搜索交叉验证选取最佳k值
    param_grid = {'n_neighbors':[3,4,5,6]}
    model = KNeighborsClassifier()
    knn = GridSearchCV(model,param_grid=param_grid,cv=5)
    knn.fit(x_train,y_train)
    print(knn.best_params_)
    y_ = knn.predict(x_test)
    print(classification_report(y_test,y_))
    #计算出的概率
    print(knn.predict_proba(x_test))

def knn_regression():
    data = pd.read_csv(r'data/Advertising.csv')
    x = data.iloc[:,:-1]
    y = data.iloc[:,-1:]
    x = StandardScaler().fit_transform(x)
    x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.3)
    param_grid = {'n_neighbors':[3,4,5,6]}
    model = KNeighborsRegressor()
    knn = GridSearchCV(model,param_grid=param_grid)
    knn.fit(x_train,y_train)
    print(knn.best_params_)
    y_ = knn.predict(x_test)
    print(mean_squared_error(y_test,y_))
    print(r2_score(y_test,y_))

算法优化

• 蛮力法(brute-force)：k近邻法最简单的实现方式是线性扫描，需要计算待测实例与每个实例的距离，在大数据上不可行。
• KD树：为了提高k近邻搜索效率，考虑使用特殊的结构存储训练数据，以减少计算距离的次数，可以使用kd树 （kd tree）方法。kd树分为两个过程——构造kd树（使用特殊结构存储训练集）、搜索kd树（减少搜索 计算量）
• 球树(BallTree)

KD-Tree

• 当样本量少时，可使用蛮力法(brute)进行求解最近邻，但是当样本量较大时，蛮力法计算距离的工作量较大，使用KD树可进行快速计算。
  

1. 从m个样本的n维特征中，分别计算n个特征取值的方差，用方差最大的第k维特征作为根节点
2. 选择第k维特征的中位数作为样本划分点对于小于该值的样本划分到左
   子树，对于大于等于该值的样本划分到右子树，对左右子树采用同样的方式找方差最大的特征作为根节点，递归即可产生KD树。

例子

构造KD树

给定一个二维空间的数据集： T = { ( 2 , 3 ) , ( 5 , 4 ) , ( 9 , 6 ) , ( 4 , 7 ) , ( 8 , 1 ) , ( 7 , 2 ) } T=\{(2,3),(5,4),(9,6),(4,7),(8,1),(7,2)\} T={(2,3),(5,4),(9,6),(4,7),(8,1),(7,2)}

1. 计算维度方差，$x_1=[2,5,9,4,8,7]方差为5.81$，$x_2=[3,4,6,7,1,2]方差为4.47$，因此选择第一轴特征作为划分根节点
2. 对第一维特征，取中位数，这里中位数为6，因此取7作为划分值，得到：
   
3. 再计算左右子树各特征轴方差，$[2,5,4]方差为1.56$，$[3,4,7]方差为2.89$，因此第二轴为换分特征，$(5,4)$作为划分节点，得到：
   
4. 对叶子节点，进行处理

搜索KD树

假设搜索(2,5)

1. 对(2,5)在KD树中进行搜索，得到这个点在包含(4,7)叶子节点的矩形区域中；
2. 计算(2,5)到(4,7)的距离为$\sqrt{5}$，以(2,5)为圆心，$\sqrt{5}$为半径画圆，最近邻点记为(4,7)；
3. 返回(4,7)的父子节点，查看圆是否与父子节点(5,4)的另一子节点所在矩形区域（即(2,3)所在矩形区域）相交。
4. 若不相交，返回父子节点(5,4)的父子节点(7,2)，搜索另一子树
   若相交，计算(2,3)与(2,5)的距离为2，小于$\sqrt{5}$，因此最近邻点更新为(2,3)，返回父子节点(5,4)的父子节点(7,2)，搜索另一子树
5. 计算(2,5)与(5,4)的距离为$\sqrt{5}$，查看圆是否与(9,6)所在矩形区域相交，重复步骤4
6. 直到路径回溯完毕
   

import numpy as np
from sklearn.neighbors import KDTree

if __name__ == '__main__':
    x = np.array([[2,3],[5,4],[9,6],[4,7],[8,1],[7,2]])
    tree = KDTree(x,leaf_size=2)
    dist,ind = tree.query(np.array([[2,5]]),k=5)
    print(ind)
    print(dist)

优缺点

• 优点：
  • 思想简单，能做分类和回归
  • 惰性学习，无需训练（蛮力法）
  • KD树的话，则需要建树 ，对异常点不敏感
• 缺点：
  • 计算量大、速度慢 ，样本不平衡的时候，对稀有类别的预测准确率低
  • KD树，球树之类的模型建立需要大量的内存 ，相比决策树模型，KNN模型可解释性不强