机器学习100天—第5天k近邻法(附实战教程)

下面是我们的Beyonce小姐姐，小姐姐目前是在读学生，前端中途杀到机器学习里面，我给她分享了许多相关资料，大家有需要可以找一下她，春节过后还会有小惊喜哦。

我们的机器学习100天终于出到了第5天，虽然100天看起来很短，但是坚持下来真的不是一件很简单的事情，特别是还要写文章，文章不易，大家觉得是干货就点个赞哦～

如上图，当K=3时，它会被分类为 Class B。因为K=3时，3个临近点里有2个是B类的。

同理，K=7时它会被分类为 Class A，因为K=7时，7个临近点里4个是A类的。

KNN算法一个比较不好的缺点是K值由人主观决定。因为这样有一个问题，你取的K值不同，对于某些点的分类结果就不同，比如上图分别取k=3和k=7会得到不同的结果。

K值不能取太小，比如K=1的情况，此时容易被错误的样本干扰，造成过拟合等问题。当然，K值也不能取太大，越大分类效果越差。

如上图所示，当k=1的时候，决策边界变得非常不光滑，换句话说，模型的决策规则非常复杂，容易造成过拟合。

简而言之：k越小，模型越容易过拟合；k越大，越容易欠拟合。

所以K值应该取一个不大不小的奇数，比如3、7、9、11等，千万不能选偶数，因为偶数会有两个分类打平的情况，不要给自己找麻烦。

一图总结KNN算法：

下面我们就同样使用第三天的数据集来使用KNN预测用户是否会购买SUV，并计算KNN算法在这个应用场景上的准确率。

1.导入库与数据

现在有一个数据集包含了社交网络中用户的信息。这些信息涉及用户ID,性别,年龄以及预估薪资。

一家汽车公司刚刚推出了他们新型的豪华SUV，我们尝试使用KNN算法预测哪些用户会购买这种全新SUV。并且在最后一列用来表示用户是否购买:

导入库：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.metrics import confusion_matrix
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder

导入数据，包括性别：

# 1.导入数据集
dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [1, 2, 3]].values
Y = dataset.iloc[:, 4].values

# 性别转化为数字
labelencoder_X = LabelEncoder()
X[:, 0] = labelencoder_X.fit_transform(X[:, 0])

2.数据集切分与特征缩放

我们对数据源进行处理，将其中25%的数据设置为测试集。

# 2.将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, Y, test_size=0.25, random_state=0)

此外，还需要进行特征缩放，因为在K近邻算法中，分类器主要是计算两点之间的欧几里得距离，如果一个特征比其它的特征有更大的范围值，那么距离将会被这个特征值所主导。

因此每个特征应该被归一化，比如将取值范围处理为0到1之间或权重相同的值。

# 3.特征缩放
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

3.数据训练与预测

使用scikit-learn中的KNN算法进行训练，设置k值=5：

# 4.训练
classifier = KNeighborsClassifier(n_neighbors=5)
classifier.fit(X_train, y_train)

对分类器调用predict方法进行预测：

# 5.预测
y_pred = classifier.predict(X_test)

你可以把预测结果输出，但这里我觉得没有必要，我们直接进入下一步评估模型就能知道结果好坏了。

4.模型评估

与上一节教程一样，我们使用混淆矩阵进行评估：

# 6.评估预测

# 生成混淆矩阵
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
print(cm)

得到结果如下：

(base) G:\push\20210210>python test_with_gender.py
[[64 4]
 [ 3 29]]

可以看到，分类正确的值有 64+29=93个，分类错误的值有 3+4=7个。

准确率达 93/100 = 93%，比上节使用逻辑回归的准确率高了4%，你也可以尝试选择不同的K值，看看能不能拿到更加优秀的结果。

文末福利

各位猿们，还在为记不住API发愁吗，哈哈哈，最近发现了国外大师整理了一份Python代码速查表和Pycharm快捷键sheet，火爆国外，这里分享给大家。

这个是一份Python代码速查表

下面的宝藏图片是2张(windows && Mac)高清的PyCharm快捷键一览图

怎样获取呢？可以添加我们的AI派团队的Beyonce小姐姐

一定要备注【高清图】哦

????????????????????

➕我们的Beyonce小姐姐微信要记得备注【高清图】哦

来都来了，喜欢的话就请分享、点赞、在看三连再走吧~~~