K-近邻算法之K值的选择（带案例）

三、K值的选择

K值选择问题，李航博士的一书「统计学习方法」上所说：

1. 选择较小的K值，就相当于用较小的领域中的训练实例进行预测，“学习”近似误差会减小，只有与输入实例较近或相似的训练实例才会对预测结果起作用，与此同时带来的问题是“学习”的估计误差会增大，换句话说，K值的减小就意味着整体模型变得复杂，容易发生过拟合；

2. 选择较大的K值，就相当于用较大领域中的训练实例进行预测，其优点是可以减少学习的估计误差，但缺点是学习的近似误差会增大。这时候，与输入实例较远（不相似的）训练实例也会对预测器作用，使预测发生错误，且K值的增大就意味着整体的模型变得简单。

3. K=N（N为训练样本个数），则完全不足取，因为此时无论输入实例是什么，都只是简单的预测它属于在训练实例中最多的类，模型过于简单，忽略了训练实例中大量有用信息。

在实际应用中，K值一般取一个比较小的数值，例如采用交叉验证法（简单来说，就是把训练数据在分成两组:训练集和验证集）来选择最优的K值。

• 近似误差：
  • 对现有训练集的训练误差，关注训练集，
  • 如果近似误差过小可能会出现过拟合的现象，对现有的训练集能有很好的预测，但是对未知的测试样本将会出现较大偏差的预测。
  • 模型本身不是最接近最佳模型。
• 估计误差：
  • 可以理解为对测试集的测试误差，关注测试集，
  • 估计误差小说明对未知数据的预测能力好，
  • 模型本身最接近最佳模型。

KNN中K值大小选择对模型的影响

• k值过小：
  • 容易受到异常点的影响
  • 容易过拟合
  • 模型过于复杂
• k值过大：
  • 受到样本均衡的问题
  • 容易欠拟合
  • 模型过于简单

四、案例1：鸢尾花种类预测

1）scikit-learn数据集API介绍

• sklearn.datasets
  • 加载获取流行数据集
  • datasets.load_*()
    • 获取小规模数据集，数据包含在datasets中
  • datasets.fetch_*(data_home=None)
    • 获取大规模数据，需要从网上下载，函数的第一个参数就是data-Home表示数据集的下载目录。默认是~/scikit_learn_data/

2）scikit-learn小数据集

• sklearn.datasets.load_iris()

  加载并返回鸢尾花数据集

3）scikit-learn大数据集

• sklearn.datasets.fetch_20newsgroups(data_home=None,subset=‘train’)

  • subset：“train"或者"test”，"all"可选，选择需要加载的数据集
  • 训练集的"训练"，测试集的”测试“，两者的"全部"

4）sklearn数据集返回值介绍

• load_fetch返回的数据类型都是datasets.base.Bunch（字段格式）
  • data：特征数据数组
  • target：标签数组
  • DESCR：数据描述
  • feature_names：特征名字
  • target_names：标签名字

from sklearn.datasets import load_iris

# 获取鸢尾花数据集
iris = load_iris()
print("鸢尾花数据集的返回值：\n", iris)
# 返回值是一个继承自字典的Bench
print("鸢尾花的特征值:\n", iris.data)
print("鸢尾花的目标值：\n", iris.target)
print("鸢尾花特征的名字：\n", iris.feature_names)
print("鸢尾花目标值的名字：\n", iris.target_names)
print("鸢尾花的描述：\n", iris.DESCR)

5）查看数据分布

• seaborn介绍
  • Seaborn是基于Matplotlib核心库对其进行了更高级的API封装，可以轻松画出更漂亮的图形。而Seabor的漂亮主要体现在配色更加舒服以及图形元素的样式更加细腻。
  • 安装pip3 install seaborn
  • seaborn.Implot()是一个非常有用的方法，它在绘制二维散点图的时候，自动完成回归拟合。
    • sns.Implot(x,y)： x,y分别代表横纵坐标的列名
    • data 关联的数据集
    • hut 代表按照什么分类方式显示
    • fit_reg 是否进行线性拟合

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

iris = load_iris()
iris_d = pd.DataFrame(iris.data,columns=['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width'])
iris_d['Species'] = iris.target

def plot_iris(iris,col1,col2):
    sns.lmplot(x = col1, y = col2,data=iris,hue='Species',fit_reg=False)
    plt.xlabel(col1)
    plt.ylabel(col2)
    plt.title("鸢尾花种类分布图！！")
    plt.show()
    
    
    
plot_iris(iris_d,'Petal_Width','Sepal_Length')

6）数据集的划分

一般数据集划分为两个部分:

• 训练数据：用于训练，构建模型
• 测试数据：用于模型检验，评估模型是否有效

划分比例：

• 训练集：70%~80%
• 测试集：20%~30%

数据集划分的API

• sklearn.model_selection.train_test_split(arrays,*options)
  • 参数:
    • x 数据集的特征值
    • y 数据集的标签值
    • test_size 测试继的大小，一般为float
    • random_state 随机数种子。不同的种子会造成不同的随机结果，相同的种子结果相同
  • return
    • x_train,x_test,y_train,y_test

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 1.获取鸢尾花数据集
iris = load_iris()
# 对鸢尾花数据集进行分割
# 训练特征值、测试特征值、训练目标值、测试目标值
x_train,x_test,y_train,y_test = train_test_split(iris.data,iris.target,random_state=22)
print("x_train:\n", x_train.shape)