（笔记+代码+习题）统计学习方法第三章 KNN及其kd树实现（Python)

一、KNN总体思想

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邻近的$k$个实例，这$k$个实例的多数属于某个类，就把该输入实例分为这个类。

• 解决问题：分类问题
• 输入：实例的特征向量
• 输出：实例的类别
• 三个基本要素：$k$值的选择、距离度量、分类决策规则
• 最近邻算法：$k=1$时

二、KNN详解

1、算法

输入: T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x N , y N ) } T=\{ (x_1,y_1),(x_2,y_2),...,(x_N,y_N)\} T={(x1​,y1​),(x2​,y2​),...,(xN​,yN​)}

输出: $y$

步骤:

1. 根据指定的距离度量，在训练集$T$中找出与$x$最近邻的$k$个点，涵盖这$k$个点的$x$的邻域记作$N_k(x)$；

2. 在$N_k(x)$中根据**分类决策规则（如多数表决）**决定$x$的类别$y$：

   $$y=\arg \underset{c_j}{\max }\sum _{x_i\in N_k(x)}I(y_i=c_j),i=1,2,\dots ,N,j=1,2,\dots ,K$$

2、距离度量

闵可夫斯基距离：

$$L_p(x_i,x_j)={\left(\sum _{l=1}^n{\left|x_i^{(l)}-x_j^{(l)}\right|}^p\right)}^{\frac{1}{p}}$$

• 当$p=1$时，曼哈顿距离
• 当$p=2$时，欧式距离
• 当$p=\infty$时，切比雪夫距离

注：

范数是对向量或者矩阵的度量，是一个标量，这个里面两个点之间的$L_p$距离可以认为是两个点坐标差值的$p$范数。

3、K值选择

• $k$值较小时，近似误差（approximation error)会减小，只有与输入实例较近（相似的）训练实例才会对预测结果起作用。但缺点时“学习”的估计误差（estimation error）会增大，对近邻实例点非常敏感，如果是噪声，预测就会出错。$k$值减小，模型越复杂，越可能发生过拟合。
• $k$值较大时，与前面相反，模型变得简单。
• 实际应用时，$k$值一般取一个比较小的数值，采用交叉验证法来选取最优的$k$值。

三、KNN的kd树实现及代码（Python）

KNN主要考虑的问题是如何对训练数据进行快速$k$近邻搜索：

• 线性扫描（linear scan）
• kd tree
• 其它

注：

kd树是存储$k$维空间数据的树结构，这里的$k$与$k$近邻法的意义不同。（输入$x$是$k$维）

1、构造KD树

下面是构建最近邻算法，构建k近邻见后面习题3.3.

• 输入：

  $k$维空间数据集 T = { x 1 , x 2 , . . . , x N } T=\{ x_1,x_2,...,x_N\} T={x1​,x2​,...,xN​}，其中$x_i=(x_1^{(1)},(x_2^{(2)},...,(x_k^{(k)}{)}^T,i=1,2,...,N$

• 输出：kd树

• 过程：

  • stpe1

    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$x^{(1)}$为坐标轴，以$T$中所有实例的$x^{(1)}$坐标的中位数为切分点。由根节点生成深度为1的左右子节点，左子节点对应于坐标$x^{(1)}$小于切分点区域，右子节点对应于坐标$x^{(1)}$大于切分点的子区域

  • step2

    重复：对深度为$j$的结点，选择$x^{(l)}$为切分点的坐标轴，$l=j(modk)+1$，以该结点的区域中所有实例的$x^{(l)}$坐标的中位数为切分点，将该节点对应的超矩形区域划分为两个子区域。

  • step3

    直到两个子区域没有实例存在时停止

• 代码实现：

  # kd-tree每个结点中主要包含的数据结构如下
  class KdNode(object):
      def __init__(self, dom_elt, split, left, right):
          self.dom_elt = dom_elt  # k维向量节点(k维空间中的一个样本点)
          self.split = split  # 整数（进行分割维度的序号）
          self.left = left  # 该结点分割超平面左子空间构成的kd-tree
          self.right = right  # 该结点分割超平面右子空间构成的kd-tree
  
  class KdTree(object):
      def __init__(self, data):
          k = len(data[0])  # 数据维度
  
          def CreateNode(split, data_set):  # 按第split维划分数据集exset创建KdNode
              if not data_set:  # 数据集为空
                  return None
              # key参数的值为一个函数，此函数只有一个参数且返回一个值用来进行比较
              # operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为需要获取的数据在对象中的序号
              #data_set.sort(key=itemgetter(split)) # 按要进行分割的那一维数据排序
              data_set.sort(key=lambda x: x[split])
              split_pos = len(data_set) // 2  # //为Python中的整数除法
              median = data_set[split_pos]  # 中位数分割点
              split_next = (split + 1) % k  # cycle coordinates
  
              # 递归的创建kd树
              return KdNode(
                  median,
                  split,
                  CreateNode(split_next, data_set[:split_pos]),  # 创建左子树
                  CreateNode(split_next, data_set[split_pos + 1:]))  # 创建右子树
  
          self.root = CreateNode(0, data)  # 从第0维分量开始构建kd树,返回根节点
  
  # KDTree的前序遍历
  def preorder(root):
      print(root.dom_elt)
      if root.left:  # 节点不为空
          preorder(root.left)
      if root.right:
          preorder(root.right)
  

• 测试代码:

  data = [[2,3],[5,4],[9,6],[4,7],[8,1],[7,2]]
  kd = KdTree(data)
  preorder(kd.root)
  

  输出结果：

  [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3D5LkZnb-1636978032271)(https://s3-us-west-2.amazonaws.com/secure.notion-static.com/69518ba5-3e95-4397-86da-aa2f4c251a1e/Untitled.png)]

2、搜索KD树

• 输入：已构造的kd树，目标点$x$

• 输出：$x$的最近邻

• 过程

  • step1——在$kd$树中找出包含目标点$x$的叶结点

    从根结点出发，递归地向下访问$kd$树。若目标点$x$当前维的坐标小于切分点的坐标，则移动到左子节点，否则移动到右子节点。直到子节点为叶结点为止。

  • step2——以此节点为“当前最近点”

  • step3——递归地向上回退，在每个结点进行一下操作

    • a、如果该结点保存的实例点比当前最近点距离目标点更近，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节点对应的区域。检查该子节点的父节点的另一子节点对应的区域是否有更近的点。具体地，检查另一子节点对应地区域是否于以目标点为球心、以目标点与“当前最近点”间地距离为半径的超球体相交。

      如果相交，可能在另一个子节点对应的区域内存在距目标点更近的点，移动到另一个子节点。接着，递归地进行最近邻搜索。

      如果不相交，向上回退

  • step4——当回退到根节点时，搜索结束。最后的“当前最近点”即为$x$的最近邻点。

  如果实例点是随机分布的，$kd$树搜索的平均计算复杂度是$O(logN)$。当空间维数接近训练实例数时，它的效率会迅速下降。

  • 代码实现

    # 对构建好的kd树进行搜索，寻找与目标点最近的样本点：
    from math import sqrt
    from collections import namedtuple
    
    # 定义一个namedtuple,分别存放最近坐标点、最近距离和访问过的节点数
    result = namedtuple("Result_tuple",
                        "nearest_point  nearest_dist  nodes_visited")
    
    def find_nearest(tree, point):
        k = len(point)  # 数据维度
    
        def travel(kd_node, target, max_dist):
            if kd_node is None:
                return result([0] * k, float("inf"),
                              0)  # python中用float("inf")和float("-inf")表示正负无穷
    
            nodes_visited = 1
    
            s = kd_node.split  # 进行分割的维度
            pivot = kd_node.dom_elt  # 进行分割的“轴”
    
            if target[s] <= pivot[s]:  # 如果目标点第s维小于分割轴的对应值(目标离左子树更近)
                nearer_node = kd_node.left  # 下一个访问节点为左子树根节点
                further_node = kd_node.right  # 同时记录下右子树
            else:  # 目标离右子树更近
                nearer_node = kd_node.right  # 下一个访问节点为右子树根节点
                further_node = kd_node.left
    
            temp1 = travel(nearer_node, target, max_dist)  # 进行遍历找到包含目标点的区域
    
            nearest = temp1.nearest_point  # 以此叶结点作为“当前最近点”
            dist = temp1.nearest_dist  # 更新最近距离
    
            nodes_visited += temp1.nodes_visited
    
            if dist < max_dist:
                max_dist = dist  # 最近点将在以目标点为球心，max_dist为半径的超球体内
    
            temp_dist = abs(pivot[s] - target[s])  # 第s维上目标点与分割超平面的距离
            if max_dist < temp_dist:  # 判断超球体是否与超平面相交
                return result(nearest, dist, nodes_visited)  # 不相交则可以直接返回，不用继续判断
    
            #----------------------------------------------------------------------
            # 计算目标点与分割点的欧氏距离
            temp_dist = sqrt(sum((p1 - p2)**2 for p1, p2 in zip(pivot, target)))
    
            if temp_dist < dist:  # 如果“更近”
                nearest = pivot  # 更新最近点
                dist = temp_dist  # 更新最近距离
                max_dist = dist  # 更新超球体半径
    
            # 检查另一个子结点对应的区域是否有更近的点
            temp2 = travel(further_node, target, max_dist)
    
            nodes_visited += temp2.nodes_visited
            if temp2.nearest_dist < dist:  # 如果另一个子结点内存在更近距离
                nearest = temp2.nearest_point  # 更新最近点
                dist = temp2.nearest_dist  # 更新最近距离
    
            return result(nearest, dist, nodes_visited)
    
        return travel(tree.root, point, float("inf"))  # 从根节点开始递归
    

  • 测试代码：

    from time import clock
    from random import random
    
    # 产生一个k维随机向量，每维分量值在0~1之间
    def random_point(k):
        return [random() for _ in range(k)]
     
    # 产生n个k维随机向量 
    def random_points(k, n):
        return [random_point(k) for _ in range(n)]
    
    ret = find_nearest(kd, [3,4.5])
    print (ret)
    

    结果：

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-h607Zces-1636978032277)(https://s3-us-west-2.amazonaws.com/secure.notion-static.com/0f6c1d3a-0dcb-42f7-931c-cc6515a419cb/Untitled.png)]

四、习题

习题3.1

参照图3.1，在二维空间中给出实例点，画出$k$为1和2时的$k$近邻法构成的空间划分，并对其进行比较，体会$k$值选择与模型复杂度及预测准确率的关系。

%matplotlib inline
import numpy as np
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap

data = np.array([[5, 12, 1], [6, 21, 0], [14, 5, 0], [16, 10, 0], [13, 19, 0],
                 [13, 32, 1], [17, 27, 1], [18, 24, 1], [20, 20,
                                                         0], [23, 14, 1],
                 [23, 25, 1], [23, 31, 1], [26, 8, 0], [30, 17, 1],
                 [30, 26, 1], [34, 8, 0], [34, 19, 1], [37, 28, 1]])
X_train = data[:, 0:2]
y_train = data[:, 2]

models = (KNeighborsClassifier(n_neighbors=1, n_jobs=-1),
          KNeighborsClassifier(n_neighbors=2, n_jobs=-1))
models = (clf.fit(X_train, y_train) for clf in models)

titles = ('K Neighbors with k=1', 'K Neighbors with k=2')

fig = plt.figure(figsize=(15, 5))
plt.subplots_adjust(wspace=0.4, hspace=0.4)

X0, X1 = X_train[:, 0], X_train[:, 1]

x_min, x_max = X0.min() - 1, X0.max() + 1
y_min, y_max = X1.min() - 1, X1.max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.2),
                     np.arange(y_min, y_max, 0.2))

for clf, title, ax in zip(models, titles, fig.subplots(1, 2).flatten()):
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    colors = ('red', 'green', 'lightgreen', 'gray', 'cyan')
    cmap = ListedColormap(colors[:len(np.unique(Z))])
    ax.contourf(xx, yy, Z, cmap=cmap, alpha=0.5)
    ax.scatter(X0, X1, c=y_train, s=50, edgecolors='k', cmap=cmap, alpha=0.5)
    ax.set_title(title)

plt.show()

结果：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-B92bciBF-1636978032280)(https://s3-us-west-2.amazonaws.com/secure.notion-static.com/4b6cd2bb-49fb-47b9-84b2-5d737229350b/Untitled.png)]

习题3.3（重要！！！）

参照算法3.3，写出输出为$x$的$k$近邻的算法。

算法：用kd树的k近邻搜索
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：从根结点出发，递归地向下访问树。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，直到子结点为叶结点为止；
2. 如果“当前k近邻点集”元素数量小于k或者叶节点距离小于“当前k近邻点集”中最远点距离，那么将叶节点插入“当前k近邻点集”；
3. 递归地向上回退，在每个结点进行以下操作：
   (a)如果“当前k近邻点集”元素数量小于k或者当前节点距离小于“当前k近邻点集”中最远点距离，那么将该节点插入“当前k近邻点集”。
   (b)检查另一子结点对应的区域是否与以目标点为球心、以目标点与于“当前k近邻点集”中最远点间的距离为半径的超球体相交。如果相交，可能在另一个子结点对应的区域内存在距目标点更近的点，移动到另一个子结点，接着，递归地进行最近邻搜索；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k近邻点集”即为x的最近邻点。

代码实现：

# 构建kd树，搜索待预测点所属区域
from collections import namedtuple
import numpy as np

# 建立节点类
class Node(namedtuple("Node", "location left_child right_child")):
    def __repr__(self):
        return str(tuple(self))

# kd tree类
class KdTree():
    def __init__(self, k=1):
        self.k = k
        self.kdtree = None

    # 构建kd tree
    def _fit(self, X, depth=0):
        try:
            k = self.k
        except IndexError as e:
            return None
        # 这里可以展开，通过方差选择axis
        axis = depth % k
        X = X[X[:, axis].argsort()]
        median = X.shape[0] // 2
        try:
            X[median]
        except IndexError:
            return None
        return Node(location=X[median],
                    left_child=self._fit(X[:median], depth + 1),
                    right_child=self._fit(X[median + 1:], depth + 1))

    def _search(self, point, tree=None, depth=0, best=None):
        if tree is None:
            return best
        k = self.k
        # 更新 branch
        if point[0][depth % k] < tree.location[depth % k]:
            next_branch = tree.left_child
        else:
            next_branch = tree.right_child
        if not next_branch is None:
            best = next_branch.location
        return self._search(point,
                            tree=next_branch,
                            depth=depth + 1,
                            best=best)

    def fit(self, X):
        self.kdtree = self._fit(X)
        return self.kdtree

    def predict(self, X):
        res = self._search(X, self.kdtree)
        return res

KNN = KdTree()
X_train = np.array([[2, 3], [5, 4], [9, 6], [4, 7], [8, 1], [7, 2]])
KNN.fit(X_train)
X_new = np.array([[3, 4.5]])
res = KNN.predict(X_new)

x1 = res[0]
x2 = res[1]

print("x点的最近邻点是({0}, {1})".format(x1, x2))

参考代码：

fengdu78/lihang-code