算法原理:未标记样本类别由距离其最近的k个邻居投票决定。计算待标记的样本和数据集中每个样本的距离,取距离最近的k个样本,待标记样本所属类别由这k个距离最近的样本投票产生。
- 优点:KNN原理简单,容易实现,结果精度高,无需估计参数,无需训练模型,可用于分类(投票)和回归(平均值),对异常值和噪声有较高的容忍度;
- 不足:当样本容量不平衡时,可能导致需预测的样本中大容量类的样本占多数;可解释性差;计算量大,对内存需求较大,每次对未标记样本分类时都需全部计算。
算法参数:k
- k值越大,模型偏差越大,对噪声数据越不敏感,k值很大时可能造成模型欠拟合;
- k值越小,模型方差越大,k值太小时造成过拟合。
weight权重:默认计算距离时都使用相同权重,“uniform”,但实际上,可以针对不同邻居指定不同距离权重,距离越近,权重越高,“distance”.
a. 用k近邻算法进行分类
sklearn.neighbors.KNeighborsClassifer
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
# 使用sklearn.datasets.samples_generator中的make_blobs()函数来生成数据集
from sklearn.datasets.samples_generator import make_blobs
# 生成60个训练样本,这些样本以centers参数指定中心的周围
# cluster_std为标准差,用来指定点分布的松散程度
centers = [[-2,2],[2,2],[0,4]]
# X为以center为中心的60个样本shape(60,2),y为中心值类别,根据centers不同分为[0,1,2]
X,y = make_blobs(n_samples=60,centers=centers,random_state=0,cluster_std=0.6)
# 将数据集用图表展现
plt.figure(figsize=(8,5),dpi=144)
c = np.array(centers)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap='cool') #画出样本
plt.scatter(c[:,0],c[:,1],s=50,marker='^',c='orange') # 画出中心点
plt.savefig('knn-1.png')
# 使用KNeighborsClassifier对算法进行训练
from sklearn.neighbors import KNeighborsClassifier
k=5
clf=KNeighborsClassifier(n_neighbors=k)
# 训练
clf.fit(X,y)
# 对新样本预测
X_sample=[[0,2]]
y_sample=clf.predict(X_sample)
# clf.neighbors把样本周围5个最近的点取出来,取出来的点是训练集X里面的索引
neighbors = clf.kneighbors(X_sample,return_distance=False)
# 把新样本与最近的5个点标记出来
plt.figure(figsize=(8,5),dpi=144)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap='cool') #训练样本
plt.scatter(c[:,0],c[:,1],c='orange',marker='^',s=50) #三个中心点
plt.scatter(X_sample[0][0],X_sample[0][1],s=50,marker='x&