01. k近邻算法实例-预测入住位置

1. 链接： https://www.kaggle.com/c/facebook-v-predicting-check-ins/overview

2. 实现

from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 读取数据
data = pd.read_csv("./data/FBlocation/train.csv")

# 处理数据
# 1. 缩小数据， 查询数据筛选
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")

# 把时间戳特征转换成更细的特征
time_value = pd.to_datetime(data['time'], unit='s')
# 把日期格式转换成字典格式
time_value = pd.DatetimeIndex(time_value)
data['day'] = time_value.day
data['hour'] = time_value.hour
data['weekday'] = time_value.weekday
# 删除时间戳特征
data = data.drop('time', axis=1)

# 删除签到数量少于3个的位置
place_count = data.groupby('place_id').count()
tf = place_count[place_count.row_id > 3].reset_index()

# 选择data中符合条件的签到位置信息
data = data[data['place_id'].isin(tf.place_id)]

# 分离数据当中的特征值和目标值
y = data['place_id']
x = data.drop(['row_id','place_id'], axis=1)
# 进行数据的分割，训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

# 特征工程
std = StandardScaler()
# 要对训练集和测试集的特征值进行标准化， 目标值不需要了，因为目标值是找类别呢
x_train = std.fit_transform(x_train)
# 对测试集直接transform就行了
x_test = std.transform(x_test)

# 进行算法流程
knn = KNeighborsClassifier(n_neighbors=5)

knn.fit(x_train, y_train)
# 得出预测结果
y_predict = knn.predict(x_test)
print("预测的目标签到位置为：", y_predict)
# 得出准确率
print("准确率:", knn.score(x_test, y_test))

3. 思考

• k值取多大？有什么影响？

  • k值取很小：容易受异常点影响
  • k值取很大：容易受k值数量（类别）波动

• k近邻算法的优缺点

  • 优点
    • 简单，易于理解，易于实现，无需估计参数，无需训练
  • 缺点
    • 懒惰算法，对测试样本分类时的计算量大，内存开销大
    • 必须指定K值，K值选择不当则分类精度不能保证