K最近邻 (k-Nearest Neighbors,KNN) 算法是一种分类算法,也是最简单易懂的机器学习算法,没有之一。1968年由 Cover 和 Hart 提出,应用场景有字符识别、文本分类、图像识别等领域。该算法的思想是:一个样本与数据集中的k个样本最相似,如果这k个样本中的大多数属于某一个类别,则该样本也属于这个类别。还是直接讲例子最好懂,一直没找到好的例子,就改造了下Peter Harrington的《机器学习实战》中电影分类的例子,当然实际情况不可能这么简单,这里只是为了说明该算法的用法。
先准备下电影分类数据集(电影名称与分类来自于优酷网;镜头数量则纯属虚构):
序号 | 电影名称 | 搞笑镜头 | 拥抱镜头 | 打斗镜头 | 电影类型 |
1. | 宝贝当家 | 45 | 2 | 9 | 喜剧片 |
2. | 美人鱼 | 21 | 17 | 5 | 喜剧片 |
3. | 澳门风云3 | 54 | 9 | 11 | 喜剧片 |
4. | 功夫熊猫3 | 39 | 0 | 31 | 喜剧片 |
5. | 谍影重重 | 5 | 2 | 57 | 动作片 |
6. | 叶问3 | 3 | 2 | 65 | 动作片 |
7. | 伦敦陷落 | 2 | 3 | 55 | 动作片 |
8. | 我的特工爷爷 | 6 | 4 | 21 | 动作片 |
9. | 奔爱 | 7 | 46 | 4 | 爱情片 |
10. | 夜孔雀 | 9 | 39 | 8 | 爱情片 |
11. | 代理情人 | 9 | 38 | 2 | 爱情片 |
12. | 新步步惊心 | 8 | 34 | 17 | 爱情片 |
13. | 唐人街探案 | 23 | 3 | 17 | ? |
上面数据集中序号1-12为已知的电影分类,分为喜剧片、动作片、爱情片三个种类,使用的特征值分别为搞笑镜头、打斗镜头、拥抱镜头的数量。那么来了一部新电影《唐人街探案》,它属于上述3个电影分类中的哪个类型?用KNN是怎么做的呢?
首先,我们构建一个已分好类的数据集。
对于一个规模巨大的数据集,显然数据库是更好的选择。这里为了方便验证,使用Python的字典dict构造数据集。
- movie_data = {"宝贝当家": [45, 2, 9, "喜剧片"],
- "美人鱼": [21, 17, 5, "喜剧片"],
- "澳门风云3": [54, 9, 11, "喜剧片"],
- "功夫熊猫3": [39, 0, 31, "喜剧片"],
- "谍影重重": [5, 2, 57, "动作片"],
- "叶问3": [3, 2, 65, "动作片"],
- "伦敦陷落": [2, 3, 55, "动作片"],
- "我的特工爷爷": [6, 4, 21, "动作片"],
- "奔爱": [7, 46, 4, "爱情片"],
- "夜孔雀": [9, 39, 8, "爱情片"],
- "代理情人": [9, 38, 2, "爱情片"],
- "新步步惊心": [8, 34, 17, "爱情片"]}
第二步:计算一个新样本与数据集中所有数据的距离。
这里的新样本就是:"唐人街探案": [23, 3, 17, "?片"]。欧式距离是一个非常简单又最常用的距离计算方法。
其中x,y为2个样本,n为维度,xi,yi为x,y第i个维度上的特征值。如x为:"唐人街探案": [23, 3, 17, "?片"],y为:"伦敦陷落": [2, 3, 55, "动作片"],则两者之间的距离为:=43.42。
下面为求与数据集中所有数据的距离代码:
- x = [23, 3, 17]
- KNN = []
- for key, v in movie_data.items():
- d = math.sqrt((x[0] - v[0]) ** 2 + (x[1] - v[1]) ** 2 + (x[2] - v[2]) ** 2)
- KNN.append([key, round(d, 2)])
- print(KNN)
输出结果:
- [['谍影重重', 43.87], ['伦敦陷落', 43.42], ['澳门风云3', 32.14], ['叶问3', 52.01], ['我的特工爷爷', 17.49], ['新步步惊心', 34.44], ['宝贝当家', 23.43], ['功夫熊猫3', 21.47], ['奔爱', 47.69], ['美人鱼', 18.55], ['夜孔雀', 39.66], ['代理情人', 40.57]]
第三步:按照距离大小进行递增排序。
- KNN.sort(key=lambda dis: dis[1])
输出结果:
- [['我的特工爷爷', 17.49], ['美人鱼', 18.55], ['功夫熊猫3', 21.47], ['宝贝当家', 23.43], ['澳门风云3', 32.14], ['新步步惊心', 34.44], ['夜孔雀', 39.66], ['代理情人', 40.57], ['伦敦陷落', 43.42], ['谍影重重', 43.87], ['奔爱', 47.69], ['叶问3', 52.01]]
这里取k=5;
- KNN=KNN[:5]
输出:[['我的特工爷爷', 17.49], ['美人鱼', 18.55], ['功夫熊猫3', 21.47], ['宝贝当家', 23.43], ['澳门风云3', 32.14]]
第五步:确定前k个样本所在类别出现的频率,并输出出现频率最高的类别。
- labels = {"喜剧片":0,"动作片":0,"爱情片":0}
- for sin KNN:
- label = movie_data[s[0]]
- labels[label[3]] += 1
- labels =sorted(labels.items(),key=lambdal: l[1],reverse=True)
- print(labels,labels[0][0],sep='\n')
[('喜剧片', 4), ('动作片', 1), ('爱情片', 0)]
喜剧片
KNN有几个特点:
(1)KNN属于惰性学习(lazy-learning)
这是与急切学习(eager learning)相对应的,因为KNN没有显式的学习过程!也就是说没有训练阶段,从上面的例子就可以看出,数据集事先已有了分类和特征值,待收到新样本后直接进行处理。
(2)KNN的计算复杂度较高
我们从上面的例子可以看到,新样本需要与数据集中每个数据进行距离计算,计算复杂度和数据集中的数据数目n成正比,也就是说,KNN的时间复杂度为O(n),因此KNN一般适用于样本数较少的数据集。
(3)k取不同值时,分类结果可能会有显著不同。
上例中,如果k取值为k=1,那么分类就是动作片,而不是喜剧片。一般k的取值不超过20,上限是n的开方。