机器学习之K-近邻算法(KNN)

1. 机器学习算法分类

1.1 K-近邻算法定义

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。分类算法主要解决离散型数据。相似的样本，特征之间的值应该都是相近的。注意： K-近邻算法需要做标准化，防止某个特征的值过大影响预测，

eg.预测电影属于的类型(假设k=3)

因为与之最近的3个样本都是爱情片，故推测该电影属于爱情片

1.2 计算距离公式(欧式距离)

1.3 算法案例(预测酒店入住位置)

1.3.1 算法案例说明

1.3.1 算法案例分析

打印train.csv的前10行样本观察

# 读取数据
data = pd.read_csv("./data/FBlocation/train.csv")

print(data.head(10))

1.3.2 相关代码

from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import pandas as pd


def knncls():
    """
    K-近邻预测用户签到位置
    :return:None
    """
    # 读取数据
    data = pd.read_csv("./data/FBlocation/train.csv")

    # print(data.head(10))

    # 处理数据
    # 1、缩小数据,查询数据晒讯
    data = data.query("x > 1.0 &  x < 1.25 & y > 2.5 & y < 2.75")

    # 处理时间的数据
    time_value = pd.to_datetime(data['time'], unit='s')

    print(time_value)

    # 把日期格式转换成 字典格式
    time_value = pd.DatetimeIndex(time_value)

    # 构造一些特征
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday

    # 把时间戳特征删除
    data = data.drop(['time'], axis=1)    # axis=1表示列，按照列删除，axis=0表示行

    print(data)

    # 把签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()

    tf = place_count[place_count.row_id > 3].reset_index()

    data = data[data['place_id'].isin(tf.place_id)]

    # 取出数据当中的目标值和特征值
    y = data['place_id']          # y为目标值

    x = data.drop(['place_id'], axis=1)  # x为特征值

    # 进行数据的分割训练集合测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    # 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
    knn = KNeighborsClassifier(n_neighbors=5)

    # 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))

    return None


if __name__ == "__main__":
    knncls()

输出结果为：

1.3.3 说明

此算法并没有得到优化，因为k的值选为了定值，优化后的算法代码请详看： 2.2交叉验证与网格搜索对K-近邻算法调优

1.4 K-近邻算法总结

1.4.1 sklearn K-近邻算法API

1.4.2 预测酒店入住用到的API【处理阶段】

1.4.3 K-近邻算法优缺点