K近邻算法(K-NN)

K近邻算法

1. 算法简介
2. 算法的三要素
   –K值的选择
   –距离度量
   –决策规则
3. 鸢尾花分类案例

算法简介

K近邻算法是一种分类回归算法，于1968年由Cover，Hart提出 该算法简单直观，很容易理解，通俗点来讲就是有点随大流,“ 人以类聚物以群分”的味道，该数据周围是什么类，他也就是什么类。

李航大大的统计学习方法中这样定义：给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最相邻的
K个实例，这K个实例中多数属于哪个类，则该新输入的实例也属于该类。

算法的三要素

由上述的定义可知：
最相邻：如何来度量相邻？
K个实例:K值究竟是多少？
多数属于哪个类：怎样去判别属于哪个类？

引出了K近邻算法的三个核心要素：

1：K值的选择

k值一般为奇数，这个很容易理解，比如二分类中，偶数很可能造成K个近邻刚好有k/2的数值分布在一个类中，两个类中各有k/2个元素。造成无法判定新的元素属于哪个类。
K值既不能太大也不能太小：
	K值过小：很容易产生一种过拟合的现象，模型整体变复杂，容易受到异常点的影响
	K值过大：很容易产生欠拟合的现象，模型整体变得简单，单纯的依靠整体数据的分布判定。

2：距离的度量

1：欧式距离：即我们日常所使用的的距离度量方式

a1=(x₁,y₁), a2=(x₂,y₂)
d12 = $\sqrt{(x_1-x_2{)}^2+(y_1-y_2{)}^2}$

扩展到n维：

d12 = $\sqrt{(\sum _{k=1}^n(x_{1k}-x_{2k}{)}^2}$

2：曼哈顿距离：更加贴近现实的“城市街区距离”
d12 = $|x_1-x_2|+|y_1-y_2|$

扩展到n维

d12 = $\sum _{k=1}^n|x_{1k}-x_{2k}|)$
3：切比雪夫距离("国王距离“---->>>国王”唱跳rap都行，横着走竖着走斜着走都可以“)

d12 = max$(|x_1-x_2|,|y_1-y_2|)$

扩展到n维

d12 = max$(|x_{1k}-x_{2k}|)$

4：闵式距离(带有参数，相当于1-3号距离的整合版)
d12 = $\sqrt[p]{\sum _{k=1}^n|x_{1k}-x_{2k}{|}^p}$

p=1时：曼哈顿距离
p=2时：欧氏距离
p-->∞时:切比雪夫距离

小结：

以上四种距离度量方式在我们日常生活中较为常见，易于理解、直观。
缺点：
	将各个特征的量纲也就是单位不加区分统一度量，在ML数据处理中脱离实际
	为考虑每个特征的分布情况(期望，方差...)

5：标准欧氏距离

考虑其各个特征分布的均值(M)与标准差(S)

标准化度量：$X^{\ast }=(X-M)/S$
d12 = $\sqrt{\sum _{k=1}^n(x_{1k}-x_{2k})/S{)}^2}$

扩展：
6：汉明距离

信息论、通原中汉明码编码，两个码字码重差
码重：二进制码重1的个数

7：杰卡德距离

杰卡德相似系数(Jaccard similarity coefficient)：两个集合A和B的交集元素在A，B的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号J(A,B)表示：(图片引用)

8：余弦距离

主要用来进行向量方向的差异度量，根据cos(θ)可知，该距离范围为[-1,1],根据其向量之间的开角大小来确定相应的余弦距离

9：马氏距离

三哥数学、统计学家提出的，挺厉害的：
[马氏距离](https://blog.csdn.net/qq_40725653/article/details/117621557)

鸢尾花案例

使用sklearn工具包，利用里面datasets现成小数据集
共4类特征，三种目标值

from sklearn.datasets import load_iris
#分割数据集，采用交叉验证
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sea
#下面两句是我jupyter无法显示中文，没有中文SimHei字体包，有的话可以不写
from pylab import mpl
mpl.rcParams["font.sans-serif"]=["SimHei"]

#获取数据
iris_data = load_iris()
iris_data.feature_names

#数据预处理
data = pd.DataFrame(iris_data.data,columns=['sepal length ',
 'sepal width ',
 'petal length ',
 'petal width '])
data["target"]=iris_data.target
#数据分割
train_set,test_set,train_target,test_target = train_test_split(data.iloc[:,:4],data["target"],test_size=0.2,random_state=22)

#特征处理
transfer = StandardScaler()
train_set = transfer.fit_transform(train_set)
test_set = transfer.transform(test_set)

#(模型训练)
estimator = KNeighborsClassifier()
param_dict = {"n_neighbors":[i for i in range(1,10) if i%2==1]}
#十折交叉验证
estimator = GridSearchCV(estimator=estimator,param_grid=param_dict,cv=10)
#训练
estimator.fit(train_set,train_target)
#预测
pre = estimator.predict(test_set)

#模型评估
print("模型预测的输出为:\n %s"%pre)
score = estimator.score(test_set,test_target)
print("模型的精度为：%3.1f%%"%(score*100))

模型预测的输出为:
[0 2 1 2 1 1 1 1 1 0 2 1 2 2 0 2 1 1 1 1 0 2 0 1 2 0 2 2 2 2]
模型的精度为：93.3%

sea.lmplot(x="sepal length ",y="petal length ",data=data,hue="target",fit_reg=False)
plt.title("鸢尾花萼片-花瓣长度分布图")