一、k近邻算法
算法描述:
输入:训练数据集
其中, 为实例的特征向量, 为实例的类别,i=1,2,...,N;实例特征向量x;
输出:实例x所属的类y。
(1)根据给定的距离度量,在训练集T中找出与x最邻近的k个点,包含这k个点的x邻域记作 ;
(2)在 中根据分类决策规则,决定x的类别y:
上式中,I为指示函数,当 时,I=1,否则 I=0。
特殊情况:当k=1时,成为最近邻算法,对于输入的实例点(特征向量)x,最近邻法将训练数据集中与x最邻近的类作为x的类。
二、k近邻模型
1、模型:k近邻算法中,当训练集,距离度量、k值及分类决策规则确定后,对于任何一个新的输入样例,它所属的类唯一地确定。
2、距离度量
特征空间中两个实例点的距离是两个实例点相似程度的反应,k近邻模型的特征空间一般是n维实数向量空间 。使用欧氏距离、 距离 或 Minkowski距离。
假设特征空间中的两个点 , ,两点的 距离定义为:
,当p=2时,称为欧式距离,当p=1时,称为曼哈顿距离,当 时,它是各个坐标距离的最大值,即
3、k值的选择
k值的选择对k近邻算法的结果产生重要影响。
若选择较小的k值,相当于用较小邻域中的训练实例进行预测,“学习”的近似误差会减小,只有与输入实例相似的训练实例才会对结果起作用,缺点是估计误差会增大。即k值的减小会使整体模型变得复杂,容易发生过拟合。
若选择较大的k值,相当于用较大邻域中的训练实例进行预测,可减少估计误差,但是学习的近似误差会增大。k值的增大意味着整体模型变得简单。
若k=N(实例总体数),那么无论输入实例是什么,都将简单地预测它属于在训练实例中最多的类。这时,模型过于简单,忽略训练实例中大量有用信息,不可行!
在实际应用中,k值一般取一个较小的值,通常采用交叉验证法来选取最优的k值。
4、分类决策规则
k近邻法中的决策规则使用较多的是多数表决,即由输入实例的k个邻近 的训练实例中的多数类决定输入实例的类。
三、k近邻法的实现:kd树
为了提高k近邻搜索的效率,考虑使用特殊的结构存储训练数据,以减少计算距离的次数。具体方法有很多,下面介绍kd树。
1、构造kd树
kd树是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。kd树是二叉树,表示对K维空间的一个划分。
构造平衡kd树的算法:
输入:k维空间数据集 ,其中
输出:kd树
(1)开始:构造根节点,根节点对应于包含T的k维空间的超矩形区域。
选择 为坐标轴,以T中所有实例的 坐标的中位数为切分点,将根节点对应的超矩形区域切分为两个子区域。切分由通过切分点并与坐标轴 垂直的超平面实现。
由根节点生成深度为1的左右子节点;左子节点对应坐标 小于切分点的子区域,右子节点对应于坐标 大于切分点的子区域。
将落在切分超平面上的实例点保存在根节点。
(2)重复:对深度为j的节点,选择 为切分的坐标轴, ,以该节点的区域中所有实例的 坐标的中位数为切分点,将该节点对应的超矩形区域切分为两个子区域,切分由通过切分点并与坐标轴 垂直的超平面实现。
(3)直到两个子区域没有实例存在时停止。
四、kd树的搜索
输入:已构造的kd树,目标点x;
输出:x的最近邻
(1)在kd树中找出包含目标点x的叶结点;从根节点出发,递归地向下访问kd数。若目标点x当前维的坐标小于切分点的坐标,则移动到左子结点,否则移动到右子结点。直到子结点为叶节点为止。
(2)此叶节点为“当前最近点”。
(3)递归地向上回退,在每个结点进行以下操作:
(a)如果该节点保存的实例点比当前最近点距离目标最近,则以该实例点为“当前最近点”。
(b)当前最近点一定存在于该节点一个子结点对应的区域。检查该子结点的父节点的另一子结点对应的区域是否有最近的点。
如果相交,可能在另一子结点对应的区域内存在距目标点更近的点,移动到另一子结点。接着,递归地进行最邻近搜索;
如果不相交,向上回退。
(4)当回退到根结点时,搜索结束。最后的“当前最近点”即为x的最近邻点。