k近邻法
距离新实例最近的k个实例中占比最高的即新实例的类别
度量距离
设特征空间
X
\mathcal{X}
X是
n
n
n维实数向量空间
R
n
,
x
i
,
x
j
∈
X
,
x
i
=
(
x
i
(
1
)
,
x
i
(
2
)
,
⋯
,
x
i
(
n
)
)
T
\mathrm{R}^{n},x_{i},x_{j}\in\mathcal{X},x_{i}=\left(x_{i}^{(1)},x_{i}^{(2)},\cdots,x_{i}^{(n)}\right)^{\mathrm{T}}
Rn,xi,xj∈X,xi=(xi(1),xi(2),⋯,xi(n))T,
x
j
=
(
x
j
(
1
)
,
x
j
(
2
)
,
⋯
,
x
j
(
n
)
)
T
,
x
i
,
x
j
x_{j}=\left(x_{j}^{(1)},x_{j}^{(2)},\cdots,x_{j}^{(n)}\right)^{\mathrm{T}},x_{i},x_{j}
xj=(xj(1),xj(2),⋯,xj(n))T,xi,xj的
L
p
L_{p}
Lp距离定义为
L
p
(
x
i
,
x
j
)
=
(
∑
l
=
1
n
∣
x
i
(
l
)
−
x
j
(
l
)
∣
p
)
1
p
s
.
t
.
p
⩾
1
\begin{aligned} &L_{p}\left(x_{i}, x_{j}\right)=\left(\sum_{l=1}^{n}\left|x_{i}^{(l)}-x_{j}^{(l)}\right|^{p}\right)^{\frac{1}{p}}\\ &s.t. p \geqslant 1 \end{aligned}
Lp(xi,xj)=(l=1∑n∣∣∣xi(l)−xj(l)∣∣∣p)p1s.t.p⩾1
当
p
=
2
p=2
p=2时,称为欧氏距离(Euclideandistance),即
L
2
(
x
i
,
x
j
)
=
(
∑
l
=
1
n
∣
x
i
(
l
)
−
x
j
(
l
)
∣
2
)
1
2
L_{2}\left(x_{i}, x_{j}\right)=\left(\sum_{l=1}^{n}\left|x_{i}^{(l)}-x_{j}^{(l)}\right|^{2}\right)^{\frac{1}{2}}
L2(xi,xj)=(l=1∑n∣∣∣xi(l)−xj(l)∣∣∣2)21
当
p
=
1
p=1
p=1时,称为曼哈顿距离(Manhattandistance),即
L
1
(
x
i
,
x
j
)
=
∑
l
=
1
n
∣
x
i
(
l
)
−
x
j
(
l
)
∣
L_{1}\left(x_{i}, x_{j}\right)=\sum_{l=1}^{n}\left|x_{i}^{(l)}-x_{j}^{(l)}\right|
L1(xi,xj)=l=1∑n∣∣∣xi(l)−xj(l)∣∣∣
当
p
=
∞
p=\infty
p=∞时,它是各个坐标距离的最大值,即
L
∞
(
x
i
,
x
j
)
=
max
l
∣
x
i
(
l
)
−
x
j
(
l
)
∣
L_{\infty}\left(x_{i}, x_{j}\right)=\max _{l}\left|x_{i}^{(l)}-x_{j}^{(l)}\right|
L∞(xi,xj)=lmax∣∣∣xi(l)−xj(l)∣∣∣
k近邻法的实现:kd树
目的:存储训练数据,便于在k维空间中快速检索,减少计算距离的次数
实现方法:
找出一个维度(即选择一个特征可以根据特征的方差选择,选择最大的,也可以选择第一个)
找出训练数据中对应特征的值的中位数作为当前维度的切分点,将超矩形区域一分为二
k d kd kd树的下一层则对下一个维度进行划分 ( d = j % k + 1 ) (d=j\%k+1) (d=j%k+1)
最近邻搜索算法:
输入:已构造的 k d kd kd树,目标点 x x x;输出: x x x的最近邻。
- 在 k d kd kd树中找出包含目标点 x x x的叶结点:用查找二叉树的方法查找当前维的坐标。直到子结点为叶结点为止。
- 以此叶结点为“当前最近点”。
- 递归地向上回退,在每个结点进行以下操作:
- 如果该结点保存的实例点比当前最近点距离目标点更近,则以该实例点为”当前最近点”。
- 当前最近点一定存在于该结点一个子结点对应的区域。检查该子结点的父结点的另一子结点对应的区域是否有更近的点。具体地,检查另一子结点对应的区域是否与以目标点为球心、以目标点与“当前最近点"间的距离为半径的超球体相交。如果相交,可能在另一个子结点对应的区域内存在距目标点更近的点,移动到另一个子结点。接看,递归地进行最近邻搜系;如果不相交,向上回退。
- 当回退到根结点时,搜索结東。最后的“当前最近点”即为
x
x
x的最近邻点。
如果实例点是随机分布的, k d kd kd树搜索的平均计算复杂度是 O ( log N ) O(\log N) O(logN),这里 N N N是训练实例数。 k d kd kd树更适用于训练实例数远大于空间维数时的 k k k近邻搜索。当空间维数接近训练实例数时,它的效率会迅速下降,几乎接近线性扫描。