文章目录
1.k近邻算法(KNN)概述
定义:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的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。
来源:KNN算法最早是由Cover和Hart提出的一种分类算法
如何计算距离?
两个样本的距离可以通过如下公式计算,又叫欧式距离
比如说,a(a1,a2,a3),b(b1,b2,b3)
两个样本的特征数据之间差异比较大,会对结果产生较大影响,因此采用KNN需要做标准化处理
2.sklearn k-近邻算法API
-
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
-
n_neighbors
:int,可选(默认= 5),k_neighbors查询默认使用的邻居数 -
algorithm:{‘auto’,‘ball_tree’,‘kd_tree’,‘brute’}
,可选用于计算最近邻居的算法:‘ball_tree’将会使用 BallTree,‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
3.实例流程
(1)数据集的处理
(2)分割数据集
(3)对数据集进行标准化
(4)estimator流程进行分类预测
3.1 鸢尾花分类
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
def knn_iris():
"""
K-近邻预测用户签到位置
:return:None
"""
li = load_iris()
x_train, x_test, y_train, y_test = train_test_split(li.data, li.target, test_size=0.3)
# 特征工程(标准化)
std = StandardScaler()
# 对测试集和训练集的特征值进行标准化
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
#进行算法流程 # 超参数
knn = KNeighborsClassifier()
# fit, predict,score
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("预测的准确率:", knn.score(x_test, y_test))
knn_iris()
>>>
预测的目标签到位置为: [0 0 1 0 1 2 2 1 1 0 1 2 2 2 0 2 1 2 1 2 0 1 2 0 2 1 0 2 2 0 1 1 1 1 2 0 0
2 1 2 2 2 1 0 2]
预测的准确率: 0.9777777777777777
这里不进行标准化效果会更好
3.2 Facebook V: Predicting Check Ins | Kaggle
k近邻算法实例-预测入住位置
流程
(1)数据集的处理
1、缩小数据集范围
DataFrame.query()
2、处理日期数据
pd.to_datetime
pd.DatetimeIndex
3、增加分割的日期数据
4、删除没用的日期数据
pd.drop
5、将签到位置少于n个用户的删除
place_count=data.groupby('place_id').aggregate(np.count_nonzero)
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
(2)分割数据集
(3)对数据集进行标准化
(4)estimator流程进行分类预测
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pandas as pd
def knncls():
#KNN预测用户签到位置
#(1)读取
data=pd.read_csv("train.csv")
#print(data.head(10))
#(2)处理
#1.缩小数据,查询数据,筛选
data= data.query("x>1.0 & x<1.25 & y>2.5 & x<2.75 ")
#2.处理时间数据
time_value=pd.to_datetime(data['time'],unit='s')
#print(time_value)
#3.把日期格式转换成字典格式
time_value=pd.DatetimeIndex(time_value)
#5.构造一些特征,
data.loc[:,'day']=time_value.day
data.loc[:,'hour'] = time_value.hour
data.loc[:,'weekday'] = time_value.weekday
#6.把时间戳特征删除
data=data.drop(['time'],axis=1)
print(data)
#7.把签到数量小于n个的删除
place_count= data.groupby('place_id').count()
tf=place_count[place_count.row_id>5].reset_index()
data=data[data['place_id'].isin(tf.place_id)]
#8.取出数据中特征值和目标值
y=data['place_id']
x=data.drop(['place_id','row_id'],axis=1)
#9.数据分割,分割成训练集和测试集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
#(3)特征工程
std=StandardScaler()
#对测试集和训练集的特征值进行标准化处理
x_train=std.fit_transform(x_train)
x_test=std.transform(x_test)
#(4)进行算法流程
knn=KNeighborsClassifier(n_neighbors=10)
#1.fit,predict,score
knn.fit(x_train,y_train)
#2.得出预测结果
y_predict=knn.predict(x_test)
print("预测的目标签到位置:",y_predict)
#3.得出准确率
print("预测的准确率:",knn.score(x_test,y_test))
return None
knncls()
结果:
预测的目标签到位置: [8574168891 4932578245 3333445626 ... 7991720417 1381672707 9878507653]
预测的准确率: 0.14613403150204807
没有进行标准化的时候准确率是0.02这样
4.k-近邻算法优缺点
- 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 - 使用场景:小数据场景,几千~几万样本,具体场景具体业务
去测试