最近邻规则分类(K-Nearest Neighbor)KNN算法
综述
- Cover和Hart在1968年提出了最初的邻近算法
- 分类(classification)算法
- 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)
示例
未知电影属于什么类型?
假如有三种豆子,我们如何给三个未知豆子分类呢.可以根据离未知豆子比较近的豆子分类
算法描述
步骤
- 为了判断未知实例的类别,以所有已知类别的实例作为参照
- 选择参数K
- 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
细节
关于K
关于距离的衡量方法:
Euclidean Distance 定义
其他距离衡量:余弦值(cos), 相关度 (correlation), 曼哈顿距离 (Manhattan distance)
举例
如图所示K不同时问号可以分别属于绿色蓝色红等类别.
算法优缺点
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
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,如Y点
注意Y点的
改进版本
考虑距离,根据距离加上权重
比如: 1/d (d: 距离)