K近邻法（KNN）

非参数模型

非参数方法不用函数作为生成数据的基本模型，因此非参数模型的鲁棒性更好，但是也存在着很多限制。

• KNN可用于分类或回归问题；
• KNN不需要样本的分布假设；
• KNN多数时候被认为是一个监督学习方法。

1. KNN 用于回归

1.1 K近邻法（K-nearest neighbours，KNN）

给定训练集样本 D = { ( y ( i ) , x ( i ) ) } i = 1 N \displaystyle \mathcal D=\{(y^{(i)},\mathbf x^{(i)})\}^N_{i=1} D={(y(i),x(i))}i=1N​，在给定输入点 $\mathbf{x}$ 时预测因变量 $y$。

该问题可以被定义为：$\hat{f}(\mathbf{x})=\frac{1}{k}\sum _{{\mathbf{x}}^{(i)}\in N_k(\mathbf{x},\mathcal{D})}{y}^{(i)}$，其中 $N_k(\mathbf{x},\mathcal{D})$ 是在 { x ( i ) } i = 1 N \{\mathbf x^{(i)}\}^N_{i=1} {x(i)}i=1N​ 中最接近 $\mathbf{x}$ 的 $k$ 个点。

因此，kNN 预测的结果是最接近查询点 $x$ 的 k 个训练响应值的样本平均值（即 KNN对输入 $x$ 的预测结果是接近 $x$ 的训练样本中标签类别最多的类别）。

1.2 理论基础

1. KNN的理论基础是 隐式连续假设（implicit continuity assumption），即如果 ${\mathbf{x}}^{(i)}$ 很接近 ${\mathbf{x}}^{(j)}$ ，那么在平方损失下的最优预测的期望 $\mathrm{E}(Y|X={\mathbf{x}}^{(i)})$ 就会很接近 $\mathrm{E}(Y|X={\mathbf{x}}^{(j)})$ ；
2. KNN通过对 $\mathbf{x}$ 的邻居的平均相应取平均值来近似计算 $\mathrm{E}(Y|X=\mathbf{x})$ ；
3. KNN的偏差和方差取决于邻居数量 $k$ 的选择。

1.3 模型选择

在KNN中，有一些参数需要明确指定：

• 对距离的度量（the distance metric）；
• 邻居的数量 $k$；
• 相关度（重要性）预测因子；

1.3.1 距离度量

1. 欧氏距离（The Euclidean distance）：$d({\mathbf{x}}^{(i)},{\mathbf{x}}^{(l)})=\sqrt{\sum _{j=1}^p(x_j^{(i)}-x_j^{(l)}{)}^2}$，也被称为 $l2$ 范数，其是明氏距离$d({\mathbf{x}}^{(i)},{\mathbf{x}}^{(l)})=(\sum _{j=1}^p|x_j^{(i)}-x_j^{(l)}{|}^q{)}^{1/q}中的一种,其中q\ge 1$。欧氏距离只有当预测在相同的范围内时，才有意义。
2. 马氏距离（Mahalanobis distance）：$d({\mathbf{x}}^{(i)},{\mathbf{x}}^{(l)})=\sqrt{\sum _{j=1}^p(\frac{(x_j^{(i)}-x_j^{(l)})}{s_{x_j}}{)}^2}$，其中，$s_{x_j}$ 是训练样本在维度 $j$ 上的标准差。
   马氏距离以矩阵形式表达为：$d({\mathbf{x}}^{(i)},{\mathbf{x}}^{(l)})=\sqrt{({\mathbf{x}}^{(i)}-{\mathbf{x}}^{(l)}{)}^T\cdot S^{-1}\cdot ({\mathbf{x}}^{(i)}-{\mathbf{x}}^{(l)})}$，其中，$S^{-1}$为样本是协方差矩阵。

1.3.2 邻居数量 k

• 邻居数量 $k$ 是超参数，需要在学习过程之前指定；
• 不能使用训练数据来进行 $k$ 的选择，因为这样的话总是会趋于选择 $k=1$ 来完美的拟合数据；
• 当 $k$ 越小，偏差就会越小，因为回归函数选择的邻居点是非常接近于预测点的。但是，$k$ 越小，意味着对数据整体的观测就越少，这会导致大的方差，会导致 过拟合；
• 随着 $k$ 的增大，方差会减小，但是偏差会变大，这会导致 欠拟合 。

如下图所示，黑色直线为目标的回归曲线，红色为样本点，蓝色为KNN的预测曲线，左图为 $k=1$ 时的结果，右图为 $k=9$ 时的结果。

1.4 KNN 和 线性回归的比较

• 对于线性情况，线性回归的效果比KNN要好一点；但对于非线性情况，KNN的效果要比线性回归好。如下图所示，左侧图为实际曲线与拟合曲线，蓝色曲线为 $k=1$ 时的拟合曲线，红色为 $k=9$ 时的拟合曲线，黑色曲线为目标曲线；右侧图中黑色虚线为线性回归在测试集上预测得到的最小均方误差（MSE），绿色点曲线为MSE随着 $1/k$ 的变化曲线：
  

• 随着数据集中数据维度的增加（即 $\mathbf{x}$ 的维度 $p$ ），KNN的效果越来越差。事实上，随着维度的增加，线性回归在测试集上的MSE增加，但是影响不大；但是对KNN的影响很大，MSE急速增大。如下图所示，数据维度与 $1/k$ 之间 MSE的变化关系，黑色虚线代表线性回归的MSE，绿色虚线代表KNN 的MSE。
  
  这是因为，随着维度的增大，在高维空间中，很难找到一个点的附近邻居，即 维度灾难。而维度灾难是非参数方法都会面临的问题。

2. KNN用于分类

2.1 数学描述

KNN估计属于类别 $c$ 的条件概率为：

$p_c(\mathbf{x})=\frac{1}{k}\sum _{{\mathbf{x}}^{(i)}\in N_k(\mathbf{x},\mathcal{D})}I(y^{(i)}=c)$，其中 $N_k(\mathbf{x},\mathcal{D})$ 是在 { x ( i ) } i = 1 N \{\mathbf x^{(i)}\}^N_{i=1} {x(i)}i=1N​ 中最接近 $\mathbf{x}$ 的 $k$ 个点。

• KNN 方法找到最接近 $\mathbf{x}$ 的 k 个训练点，然后计算条件概率作为属于 c 类的点的概率；
• KNN 分类器是贝叶斯分类器的非参数近似；
• KNN 分类器中，$k$ 的选择很关键（交叉验证）；

2.2 超参数 K 的选择

如 KNN回归一样， k 过小，容易导致过拟合；k 过大，容易导致欠拟合。如下图所示，黑线代表 KNN决策分类边界，紫色曲线代表理想中正确的分类边界。

同样的，KNN分类器也会受到 维度灾难的影响。

3. KNN的计算性能

• KNN 是一种内存密集型方法。它要求我们将整个训练样本保存在内存中，以便进行计算预测；
• 生成预测需要大量计算。对于每个新的输入点，我们需要计算到所有训练点的距离，并对这些值进行排序。而线性回归的计算预测成本是较低的；
• 排序算法需要大量计算，其算法复杂度正比于 $Nlog(N)$，因此 KNN不适于大数据集。

4. sklearn库中的KNN算法

4.1 KNN 回归

机器学习算法库中KNN回归，通过对训练集中最近邻域的目标进行局部插值来预测目标。其函数API接口如下：

sklearn.neighbors.KNeighborsRegressor(n_neighbors=5, *, 
										weights='uniform', 
										algorithm='auto', 
										leaf_size=30, 
										p=2, 
										metric='minkowski', 
										metric_params=None, 
										n_jobs=None)

各项参数含义如下：

参数1：n_neighbors，int类型, default=5；KNN算法中默认的邻居数量

参数2：weights，字符串型，default='uniform'；在预测中使用的权重函数，可选参数有：
			'uniform'，均匀权重，即所有的邻居采用相同的权重；
			'distance'，权重是距离的倒数，即距离近的邻居对决策有着更大的影响；
			[callable]，用户自定义的函数，它接受一个距离数组，并返回一个包含权重的相同形状的数组；

参数3：algorithm，字符串型， default='auto'；用于计算最近邻的算法，可选算法有：
			'ball_tree'， 使用 BallTree；
			'kd_tree'，使用 KDTree；
			'brute'，使用暴力搜索；
			'auto'，尝试根据传递给 fit 方法的值来决定最合适的算法。
	注意：稀疏输入将覆盖这个参数的设置，使用蛮力 'brute'。
			
参数4： leaf_size，int类型, default=30；传递给 BallTree 或 KDTree的叶子大小。
		这会影响构造和查询的速度，以及存储树所需的内存；
		最优值取决于问题的性质。

参数5， p，int, default=2；明氏距离的幂参数，可为任意整数。
			当 p = 1时，相当于取曼哈顿距离（L1范数）；
			当 p = 2时，相当于欧氏距离（L2范数）；

参数6，metric，str类型, default='minkowski'；默认为明示距离。

参数7，metric_params，dict类型, default=None；度量函数的其他关键字参数。


参数8：n_jobs，int类型, default=None。
	设定用于计算的cpu核数量。如果 n_tragets > 1，而变量 X 又是稀疏的；或者如果 positive=True 时，会在大问题时提供加速。
	n_jobs = None 表示 核数量为1；
	n_jobs = -1 时，表示cpu中所有的核都参与工作。

参数6的可选类型有：
（1）实数向量空间中的距离度量：

（2）用于二维向量空间的度量：

（3）整数向量空间中的距离度量：

4.2 KNN分类

机器学习算法库中KNN分类，通过对训练集中最近邻域的目标进行局部邻居投票来执行分类。其函数API接口如下：

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, *, 
										weights='uniform', 
										algorithm='auto', 
										leaf_size=30, 
										p=2, 
										metric='minkowski', 
										metric_params=None, 
										n_jobs=None)

其参数含义与 KNN 回归相同，在此不做重复说明。