KNN算法
KNN概念
KNN(k-nearest neighbors)算法也叫 K近邻算法,是机器学习中相对简单好理解的算法。它是一种很常用的分类算法,也可以应用于回归计算。
KNN‘算法非常直观: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,就把该实例分为这个类。
KNN的三个基本要素:
- 距离度量
- k的取值
- 分类决策规则
KNN被称为惰性算法,因为它是基于实例的,算法没有显式地学习模型,而是记忆训练实例。
k 近邻法的特殊情况是 k=1 的情况,称为最近邻算法。最近邻法将训练数据集中与 x 最邻近的点的类作为 x 的类。
KNN算法计算过程
对未知类型属性的数据集中的每个点依次执行以下操作:
- 计算已知类别数据集中的点与当前点之间的距离
- 按照距离递增次序排序
- 选取与当前点距离最小的k个点
- 确定前k个点所在类别的出现频率
- 返回前k个点出现频率最高的类别作为当前点的预测分类
算法在寻找 k 个最近点时,通常采用暴力搜索的思想。当然,我们也可以采用其他的算法来寻找最近的 k 个点,如:BallTree
、KDTree
等。
KNeighborsClassifier
sklearn.neighbors.KNeighborsClassifier
官方API:https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsClassifier.html
class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform’,
algorithm=’auto’, leaf_size=30, p=2,
metric=’minkowski’,metric_params=None,
n_jobs=None, **kwargs)[source]
参数解读:
- n_neighbors: 选择最邻近点的数目k
- weights: 邻近点的计算权重值,
uniform
代表各个点权重值相等 - algorithm: 寻找最邻近点使用的算法
- leaf_size: 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 - p:
Minkowski
度量的指数参数。p = 1 代表使用曼哈顿距离,p = 2 代表使用欧几里得距离,p=∞代表各个坐标距离的最大值 - metric: 距离度量,点之间距离的计算方法。
- metric_params: 额外的关键字度量函数。
- n_jobs: 为邻近点搜索运行的并行作业数。
K的取值并不容易确定,很大程度上取决于你的实际情况
- k值小意味着噪声会对结果产生较大的影响
- k值大则会使计算成本变高
有时候,需要遍历所有可能的 k 值,再结合实际来进行选取。
上机实例
用 KNN 对鸢尾花进行简单分类
# KNN-鸢尾花案例
import numpy as np
import matplotlib.pyplot as plt
# 导入KNN分类器
from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 加载并划分数据集
iris = datasets.load_iris()
x = iris['data']
y = iris['target']
# print(x.shape, y.shape)
# 8:2划分训练集和测试集合
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)
# print(x_train.shape, x_test.shape, y_train.shape, y_test.shape)
# 使用KNN分类器进行模型训练
# n_neighbors: 选择最邻近点的数目k,一般为5
# metric: 距离度量,点之间距离的计算方法
# p: Minkowski度量的指数参数。p = 1 代表使用曼哈顿距离,p = 2 代表使用欧几里得距离
clf = KNeighborsClassifier(n_neighbors=5, p=2, metric='minkowski')
# 使用X作为训练数据,y作为目标值(类似于标签)来拟合模型
clf.fit(x_train, y_train)
# 模型预测,用准确率做指标
clf_predict = clf.predict(x_test)
result = accuracy_score(y_test, clf_predict)
print("准确率为", result)