目录
一、K-近邻算法
1.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。
通俗来说,就是根据你的邻居来推断你的类别
来源:KNN算法最早是由Cover和Hart提出的一种分类算法
2.计算距离公式(欧氏距离)(重点)
相似的样本,特征之间的值应该都是相近的
两个样本的距离可以通过如下公式计算,又叫欧式距离
比如说,a(a1,a2,a3),b(b1,b2,b3)
√((a1-b1)^2+(a2-b2)^2+(a3-b3)^2 )
相似的样本,特征值应该是相近的
K-近邻算法需要对数据作标准化处理
3.sklearn k-近邻算法API
sklearn k-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
# 参数
n_neighbors:int,可选(默认= 5),k_neighbors查询默认使用的邻居数
algorithm:{‘auto’,‘ball_tree’,‘kd_tree’,‘brute’},可选用于计算最近邻居的算法:
‘ball_tree’将会使用 BallTree,‘kd_tree’将使用 KDTree。
‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
4.K-近邻算法实例-预测入住位置
实例流程:
1、数据集的处理
2、分割数据集
3、对数据集进行标准化
4、estimator流程进行分类预测
数据的处理-由于数据过大,做如下处理
1、缩小数据集范围
DataFrame.query()
2、处理日期数据
pd.to_datetime
pd.DatetimeIndex
3、增加分割的日期数据
4、删除没用的日期数据
pd.drop
5、将签到位置少于n个用户的删除
place_count =data.groupby('place_id').aggregate(np.count_nonzero)
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
# K-近邻算法实例-预测入住位置
from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import numpy as np
def knncls():
'''K-近邻算法-预测用户入住位置
return None
'''
# 一、数据集的处理
# 读取数据
data = pd.read_csv(r'C:\Users\admin\Desktop\v-predicting\train.csv')
# 处理数据
# 1.缩小数据-缩小数据集范围 DataFrame.query()查询数据筛选
data = data.query('x>1.0 & x<1.25 & y>2.5 & y<2.75')
# 2.处理时间数据
time_value = pd.to_datetime(data['time'],unit='s')
# 3、增加分割的日期数据
# 把日期格式转化成字典格式
time_value = pd.DatetimeIndex(time_value)
# 根据时间 构造一些特征
data.loc[:,'day'] = time_value.day
data.loc[:,'hour'] = time_value.hour
data.loc[:,'weekday'] = time_value.weekday
# 4、删除没用的日期数据
# 把时间戳特征删除,axis的重点在于方向而不在于行或列
# axis = 0表示纵轴表示数据的变化从上至下,体现在行的增加与减少
# axis = 1表示横轴表示数据的变化从左至右,体现在列的增加与减少
data = data.drop(labels='time', axis=1)
# 5.将签到位置少于n个用户的删除
place_count = data.groupby('place_id').count()
tf = place_count[place_count.row_id > 3].reset_index()
# 过滤后的表格
data = data[data['place_id'].isin(tf.place_id)]
# 删除无用的row_id
data = data.drop(labels='row_id', axis=1)
print(data)
# 取出数据中的目标值和特征值
y = data["place_id"]
x = data.drop(labels = 'place_id',axis=1)
# 二、分割数据集
# 进行数据的分割-训练集测试集
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.25)
# 三、对数据集进行标准化
# 特征工程(标准化)
std = StandardScaler()
# 对训练集与测试集的特征值进行标准化
x_train = std.fit_transform(x_train)
x_test