人工智能-第三阶段-k近邻算法1-算法理论、kd树、鸢尾花数据

人工智能-第三阶段-k近邻算法1-算法理论、kd树、鸢尾花数据
人工智能–k近邻算法2-归一化、交叉验证、网格搜索、数据分割方法总结、两案例实现

机器学习（数据科学库）：matplotlib 、numpy、pandas、seaborn
获取数据集—数据基本处理—特征工程—机器学习—模型评估

1.1 k-近邻简介KNN

根据你的邻居来推断出你的类别
多个邻居中，最多的种类作为自己的种类。

距离公式：欧式距离

案例：判断电影类型

计算好距离，
如果只选定一个，则美人鱼18.55距离最近，所以判断属于喜剧片
如果选定5个，则最近的五个中，3个喜剧片，2两个爱情片，也判断为喜剧片

步骤

1,计算已知类别数据集中点与当前点距离
2，递增排序
3，选取最近的k个
4，计算前k个中，类别的各个频率
5，频率最高的类别作为当前点的预测

1.2 k-近邻初步使用

sklearn里面的包：

from sklearn.neighbors import KNeighborsClassifier

#1，构造数据
x = [[1],[2],[10],[20]]
y = [0,0,1,1]

#2，训练模型
#2.1 实例化一个估计器对象
estimator = KNeighborsClassifier(n_neighbors =1) 
#n_neighbors邻居选定一个如果不设定默认取5

#2.2 调用fit方法，进行训练
estimator.fit(x,y)
#3，数据预测
ret = estimator.predict([[0]])
print(ret)  #输出：[0]预测属于类别0

1.3 距离度量

距离公式的基本性质：非负性、统一性、对称性、直递性

1，欧式距离

2，曼哈顿距离

(x1,y1)与（x2,y2）的距离：d = |x1-x2|+|y1-y2|
(x1,y1,z1)与（x2,y2,z2）的距离：d = |x1-x2|+|y1-y2|+|z1-z2| 以此类推

3，切比雪夫距离

4，闵可夫斯基距离

1.4 K值的选择

k值过小：容易受到异常点的影响；容易出现过拟合
K值过大：受到样本均衡的问题（类别a和类别b的频数都一样多）
实际应用中，K值一般选择的较小3，5，7等，可以通过交叉验证选择出来

近似误差 ：—对训练集的误差，有时候近似误差过小会出现过拟合
估计误差：对测试集的误差，更加重要

1.5 Kd树

如何快速进行距离搜索，穷举搜索很耗时，从而引入kd树
kd树基本原理：如果A和B距离远，B与C距离近，那么A与C的距离也很远

穷尽搜索的算法复杂度： D倍N的N次方
Kd 树优化后的算法复杂度：DNlogN

中位数不断分割
Kd树是一种二叉树

构造方法：
1，构造根节点
2，递归方法，不断对K维空间进行切分，生成子节点，直到子区域没有节点为止

问题：

1. 划分应该先从哪一个维度进行划分？
   对于简单的数据可以随机选择某一维度或者按照顺序进行选择，但更好的方法是在数据比较分散的那一维度上进行划分（看方差）
2. 如何划分数据？
   好的划分方法可以使构建的树比较平衡，可以每次选择中位数来进行划分

小案例

先确定位置，找到最近的点，再回溯经过的点，比较单的x值/y值的距离

1.6 案例1：鸢尾花种类预测-数据处理

鸢尾花数据集合：
特征值：花瓣、花萼的长度、宽度；
目标值：三种鸢尾花
数据来源于sklearn.datasets

from sklearndatasets import load_iris
iris = load_iris()  #获取小数据集
print(iris) #打印出全部数据信息

#news = fetch_20newsgroups()
#print(news) #获取大数据集

from sklearndatasets import load_iris
iris = load_iris()  #获取小数据集
#2.数据集属性描述
print('数据集特征值是：\n',iris.data) #特征列的取值
print('数据集目标值是：\n',iris['target'])  #目标列的取值
print('数据集特征值名字是：\n',iris.feature_names)  #特征列名称
print('数据集目标值名字是：\n',iris.target_name) #目标列名称
print('数据集的描述：\n',iris.data)  #各列数据的均值，最小值这些

1.6.3 查看数据分布

seaborn介绍：基于matplotlib核心库进行了更高级的API封装

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.datasets import load_iris

#3,可视化
iris_d = pd.DataFrame(data=iris.data,columns= ['Sepal_Length','Sepal_width','Petal_Length','Petal_Width'])
iris_d['target'] = iris.target
#print(iris_d)
def iris_plot(data,col1,col2):
	sns.lmplot(x=col1,y=col2,data=data)
	plt.show()

iris_plot(iris_d,'Sepal_Width','Petal_Length')
#出现不同类别对应不同颜色的散点图

1.6.4 数据集的划分

from sklearn.model_selection import train_test_split
#4，数据集的划分
x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,test_size=0.2,random_state=22) #特征值x,目标值y，划分占比，随机种子
print('训练集的特征值是：\n',x_train)
print('测试集的特征值是：\n',x_test)
print('训练集的目标值是：\n',y_train)
print('测试集的目标值是：\n',y_test)