监督学习算法
常用的监督机器学习算法有:
1.K近邻(kNN,k-NearestNeighbor)
2.线性模型
3.朴素贝叶斯(Naive Bayesian)
4.决策树(Decision Tree)
5.决策树集成
6.核支持向量机(SVM,Support Vector Machine)
7.神经网络
K近邻(KNN,k-NearestNeighbor)
K-NN算法可以说是最简单的机器学习算法。
构建模型只需要保存训练数据集即可。
想要对新的数据点进行预测,算法会在训练数据集中找到最近的数据点,也就是它的最“最近邻”作为预测值输出。
1.k近邻分类
K-NN算法最简单的版本只考虑一个最近邻,也就是与我们想要预测的数据点最近的训练数据点。
预测结果就是与之最近的这个数据点的已知输出。
import mglearn
import matplotlib.pyplot as plt
mglearn.plots.plot_knn_classification(n_neighbors=1)
plt.show()
这里我们添加了3个新数据点(用五角星表示)。
对于每个新数据点,我们标记了训练集中与它最近的点。
单一最近邻算法的预测的结果就是那个点的标签(对应五角星的颜色)。
除了考虑最近邻的一个数据点,我们还可以考虑任意个(k个)邻居。这也是k近邻算法名字的来历。
在考虑多于一个邻居的情况是,我们用“投票法”(voting)来指定标签。
也就是说,对于每个测试点,我们数一数多少邻居属于类别0,多少邻居属于类别1,
然后将出现次数最多的类别(也是k个近邻中占多数的类别)作为预测结果。
下面的例子用到了3个近邻。
import mglearn
import matplotlib.pyplot as plt
mglearn.plots.plot_knn_classification(n_neighbors=3)
plt.show()
从五角星颜色可以看出预测结果。
左上角的数据点预测结果与只用一个近邻时的预测结果不同。
虽然上图对应的是一个二分类问题,但方法同样适用于多分类的数据集。
对于多分类问题,我们数一数每个类别分别有多少个邻居,然后将出现次数最多的类别作为预测结果。
接下来通过scikit-learn来应用k近邻算法。
import mglearn
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
X, y = mglearn.datasets.make_forge()
# 将数据分为训练集和测试集,以便评估泛化性能
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
from sklearn.neighbors import KNeighborsClassifier
# 导入类并将其实例化,设定邻居个数为3
clf = KNeighborsClassifier(n_neighbors=3)
# 利用训练集对这个