K近邻算法 KNN 入住预测位置

K最近邻(k-Nearest Neighbor，KNN)分类算法，最简单的机器学习算法之一

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）的样本种大多数属于某一个类别，则该样本也属于这个类别。 

用欧氏距离求两点之间的距离：

需要做标准化处理，

下载数据集：https://www.kaggle.com/c/facebook-v-predicting-check-ins

与预测有关系的是： xy坐标  精度 （时间戳（有可能当时周围酒店住满了，需要换下一个位置），日，时，周）

目标：入住位置ID

1.把样本量缩小一点    0<x<10  0<y<10

2.时间戳要处理，转换成年月日周时分秒，当做新的特征

3.类别很多 ，几千几万，可以删除常年不常入住的酒店

pandas的query()方法是基于DataFrame列的计算代数式，对于按照某列的规则进行过滤的操作，可以使用query方法。

在方法里直接写条件
 pandas.to_datetime将参数转换为日期时间

 

pd.DatetimeIndex() 该列时间戳设置为索引

pd.drop()删除一列

sklearn里axis=0 是列，而在pandas里，axis=1 是列

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

def knncls():
    """
    K近邻算法预测入住
    :return:None
    """
    #获取数据
    data = pd.read_csv("./train.csv")
    # print(data.head(10))


    #缩小数据量，查询数据筛选
    data = data.query("x>1.0 & x<1.25 & y>2.5 & y>2.75")   #刚好组成正方形
    time_value = pd.to_datetime(data['time'], unit='s')


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

    #构造一些特征，提取天加入到data_sample的列里面
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday

    #删除时间戳保留 天 时 周
    data = data.drop(['time'], axis=1)
    print(data)

    #将签到数量少于n个的删除
    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)]

    #取出数据中的特征值和目标值
    y = data['place_id'] #先把目标值拿出来

    x = data.drop(['place_id'], axis=1)

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

    #特征工程（标准化） ,训练集和测试集的特征值都要做标准化
    std = StandardScaler()
    x_train = std.fit_transform(x_train)
    x_test = std.fit_transform(x_test)

    knn = KNeighborsClassifier(n_neighbors=5)
    #输入训练集构建模型
    knn.fit(x_train, y_train)

    #得出预测结果
    y_predict = knn.predict(x_test)
    print('预测的未知ID为', y_predict)
    #得到准确率
    print("获得预测的准确率", knn.score(x_test, y_test))
    return None
if __name__ =="__main__":
    knncls()

预测的未知ID为 [1557907710 2099677536 1120824422 ... 2019472354 2106470741 4377558379]
获得预测的准确率 0.06646671493087876

二、K近邻算法的总结

K值很小时，和想要预测的目标 距离最近的点就是它的类别，容易受到异常点 的影响

K值很大时，容易受K值数量（类别）波动、