摘自《机器学习实战》
k-近邻算法(kNN)采用测量不同特征值之间的距离方法进行分类。
优点:精度高、对异常值不敏感、无数据输入假定。
缺点:计算复杂度高、空间复杂度高。
适用数据范围:数值型和标称型。
工作原理:存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签(样本集中每一数据与所属分类的对应关系),输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应特征进行比较,然后算法提取样本集中特征最相似数据(最邻近)的分类标签。一般来说,仅选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。最后选择k个最相似数据中出现次数最多的分类,作为新数据分类。
k-近邻算法一般流程:(按照开发机器学习应用的通用步骤)
(1)收集数据:可以使用任何方法;
(2)准备数据:距离计算所需要的数值,最好是结构化的数据格式;
(3)分析数据:可以使用任何方法‘
(4)训练算法:此步骤不适用k-近邻算法;
(5)测试算法:计算错误率;
(6)使用算法:首先需要输入样本数据和结构化的输出结果,然后运行k-近邻算法判定输入数据分别属于哪个分类,最后应用对计算出的分类执行后续的处理。
k-近邻算法(伪代码):
对未知类别属性的数据集合中的每个点依次执行以下操作:
(1)计算已知类别数据集中的点与当前点之间的距离;
(2)按照距离递增次序排序;
(3)选取与当前点距离最小的k个点;
(4)确定前k个点所在类别的出现频率;
(5)返回前k个点出现频率最高的类别作为当前点的预测分类。
例:以电影中出现的打斗镜头次数和接吻镜头次数对电影进行分类(动作片、爱情片)
电影名称 | 打斗镜头 | 接吻镜头 | 电影类型 |
California Man | 3 | 104 | 爱情片 |
He's Not Reality into Dudes | 2 | 100 | 爱情片 |
Beautiful Woman | 1 | 81 | 爱情片 |
Kevin Longblade | 101 | 10 | 动作片 |
Robo Slayer 3000 | 99 | 5 | 动作片 |
Amped II | 98 | 2 | 动作片 |
? | 18 | 90 | 位置 |
1、首先,计算未知电影与样本集中其他电影距离;
电影名称 | 与未知电影的距离 |
California Man | 20.5 |
He's Not Reality into Dudes | 18.7 |
Beautiful Woman | 19.2 |
Kevin Longblade | 115.3 |
Robo Slayer 3000 | 117.4 |
Amped II | 118.9 |
2、通过得到的样本集中已知电影与未知电影的距离,按照距离递增排序,找到k个距离最近的电影(假定k=3)。则判定未知电影为爱情片。
使用k-近邻算法构造的分类器并不会得到百分百正确的结果,,可以使用多种方法检测分类器的正确率。此外分类器的性能也受到多种因素的影响,如分类器设置和数据集等。不同的算法在不同数据集上的表现可能完全不同。
为测试分类器效果,使用已知答案的数据(答案不能告诉分类器)检验分类器给出的结果是否符合预期结果。通过大量的测试数据,我们可以使用分类器的错误率(分类器给出错误结果的次数除以测试执行总数)。错误率是常用的评估方法,主要用于评估分类器在某个数据集上的执行效果。 错误率受k值、训练样本、训练样本数目等影响,感兴趣的话可以改变这些变量值,观察错误率变化。
实际使用该算法时,算法执行效率并不高,是否存在一种算法减少存储空间和计算时间的开销呢?k决策树就是k-近邻算法的优化版,可以节省大量的计算开销。