一、定义
如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。在使用数据前,需要对数据进行标准化处理。
来源:KNN算法最早是由Cover和Hart提出的一种分类算法
二、计算距离的公式
两个样本的距离可以通过如下公式计算,又叫欧式距离。比如说,a(a1,a2,a3),b(b1,b2,b3)
三、sklearn k-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
n_neighbors:int,可选(默认= 5),k_neighbors查询默认使用的邻居数
algorithm:{‘auto’,‘ball_tree’,‘kd_tree’,‘brute’},可选用于计算最近邻居的算法:‘ball_tree’将会使用BallTree,‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
四、数据的处理
(一)缩小数据集范围
DataFrame.query()
(二)处理日期数据
pd.to_datetime
pd.DatetimeIndex
(三)增加分割的日期数据
(四)删除没用的日期数据
pd.drop
(五)将签到位置少于n个用户的删除
place_count =data.groupby(‘place_id’).aggregate(np.count_nonzero)
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data[‘place_id’].isin(tf.place_id)]
五、实例流程
(一)数据集的处理
(二)分割数据集
(三)对数据集进行标准化
(四)estimator流程进行分类预测
例如:
from sklearn.datasets import load_iris,load_boston
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pandas as pd
def knncls():
“”"
K-近邻预测用户签到位置
:return:None
“”"
#读取数据
data = pd.read_csv(‘train.csv’)
# print(data.head(10))
#处理数据
#1、缩小数据,查询数据筛选
data = data.query(‘x>1.0 & x<1.25 & y>2.5 & y<2.75’)
# 2、处理时间的数据
time_value = pd.to_datetime(data[‘time’],unit=‘s’)
# print(time_value)
#把日期格式转换成字典格式
time_value =pd.DatetimeIndex(time_value)
#构造一些特征
data[‘day’]=time_value.day
data[‘hour’]= time_value.hour
data[‘weekday’] = time_value.weekday
#把时间戳特征删除
data = data.drop([‘time’],axis=1)
print(data)
# 把签到数量少于n个目标位置删除
place_count = data.groupby(‘place_id’).count()
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data[‘place_id’].isin(tf.place_id)]
# 取出数据当中的特征值和目标值
y = data[‘place_id’]
x = data.drop([‘place_id’],axis=1)
# 进行数据的分割训练集和测试集
x_train,x_test,y_train,y_test =train_test_split(x,y,test_size=0.25)
#特征工程(标准化)
std = StandarScaler()
#对测试集和训练集的特征值进行标准化
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
#进行算法流程
knn = KNeighborsClassifier(n_neighbors=5)
#fit,predict,score
knn.fit(x_train,y_train)
#得出预测结果
y_predict = knn.predict(x_test)
print('预测的目标签到位置为:',y_predict)
#得出准确率
print('预测的准确率:',knn.score(x_test,y_test))
return None
if name == ‘main’:
knncls()
六、总结
(一)k的取值及其影响
k值取很小:容易受异常点影响
k值取很大:容易受k值数量(类别)的波动
(二)性能:性能慢
(三)优点
简单,易于理解,易于实现,无需估计参数,无需训练
(四)缺点
1、懒惰算法,对测试样本分类时的计算量大,内存开销大
2、必须指定K值,K值选择不当则分类精度不能保证
(五)使用场景
小数据场景,几千~几万样本,具体场景具体业务去测试