- 综述
1.1 Cover和Hart在1968年提出了最初的邻近算法
1.2 分类(classification)算法
1.3 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning) - 实例
在上面这个例子中,接吻次数和打斗次数都是属于特征量,电影名称和电影类型属于label。
下面这个简易的模型预测未知电影属于什么类型?
3. 算法详述
3.1 步骤:
为了判断未知实例的类别,在所有已知类别的实例中选择距离最近的k个实例作为参照
选择参数K(需要进行尝试选取)k一般取1 3 5等奇数,要进行少数服从多数
计算未知实例与所有已知实例的距离
选择最近K个已知实例
根据少数服从多数的投票法则(majority-voting),让未知实例归类为K个最邻近样本中最多数的类别
3.2 细节:
关于距离的衡量方法:
3.2.1 Euclidean Distance 定义
假设结算点g到各点的euclidean 距离,math.pow((x2-x1),n)表示(x2-x1)的n次方!
假设k取3,则选择三个距离最近的实例作为参考,这里是abc三个实例,都为romance类型,所以g也是romance。如果abc中有一个是动作片,则少数服从多数,取多数的值。
推广到n维数剧:
其他距离衡量:余弦值(cos), 相关度 (correlation), 曼哈顿距离 (Manhattan distance){曼哈顿距离是指通过求两点之间的两个垂直方向的距离,参考街区的形状}
3.3 举例
在这个例子里,如果k取1,则绿点的预测则为蓝色点,如果k取4,则绿点的预测为红色,通过这个例子可以看出,KNN算法对于k的取值十分敏感。
-
算法优缺点:
4.1 算法优点
简单
易于理解
容易实现
通过对K的选择可具备丢噪音数据的健壮性4.2 算法缺点
需要大量空间储存所有已知实例
算法复杂度高(需要比较所有已知实例与要分类的实例)
当其样本分布不平衡时,比如其中一类样本过大(实例数量过多)占主导的时候,新的未知实例容易被归类为这个主导样本,因为这类样本实例的数量过大,但这个新的未知实例实际并木接近目标样本
-
改进版本
考虑距离,根据距离加上权重
比如: 1/d (d: 距离)
python实现KNN算法
实例:花的分类问题,根据花的特征值进行分类,150个实例,特征值有萼片长度,萼片宽度,花瓣长度,花瓣宽度。类别有Iris setosa Irls versicolor Irls virginica .所以CSV数据有150行,4列,运用sklearn学习库
这是通过sklearn库来实现KNN,结果是:
KNN 的源代码实现: