机器学习K-近邻算法

---

1 什么是K-近邻算法

• 根据你的“邻居”来推断出你的类别

2 K-近邻算法(KNN)概念

K Nearest Neighbor算法又叫KNN算法，这个算法是机器学习里面一个比较经典的算法， 总体来说KNN算法是相对比较容易理解的算法

• 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。

来源：KNN算法最早是由Cover和Hart提出的一种分类算法

• 距离公式

两个样本的距离可以通过如下公式计算，又叫欧式距离 ，关于距离公式会在后面进行讨论

3 电影类型分析

假设我们现在有几部电影

其中？ 9号电影不知道类别，如何去预测？我们可以利用K近邻算法的思想

分别计算每个电影和被预测电影的距离，然后求解

4 KNN算法流程总结

1）计算已知类别数据集中的点与当前点之间的距离

2）按距离递增次序排序

3）选取与当前点距离最小的k个点

4）统计前k个点所在的类别出现的频率

5）返回前k个点出现频率最高的类别作为当前点的预测分类

5 K值选择说明

• 举例说明：

• K值过小

  ：

  • 容易受到异常点的影响

• k值过大：

  • 受到样本均衡的问题

---

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。

5.1 小结

• KNN中K值大小选择对模型的影响【知道】

  • K值过小

    ：

    • 容易受到异常点的影响
    • 容易过拟合

  • k值过大：

    • 受到样本均衡的问题
    • 容易欠拟合

• 近似误差、估计误差基本概念介绍【了解】

  • 近似误差
    • 对现有训练集的训练误差，关注训练集
  • 估计误差
    • 可以理解为对测试集的测试误差，关注测试集