K-近邻算法
这里有一张图片,我们可以通过一些条件或者特征找到相近的电影类型。这是简单的k-近邻算法的思想
分类算法-k近邻算法(KNN)
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。
来源:KNN算法最早是由Cover和Hart提出的一种分类算法
重点:计算距离公式
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) 这里有两个样本a,b 分别有三个特征
结论:相似的样本特征之间的值都是相近的
k-近邻算法: 需要做标准化处理
sklearn k-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
n_neighbors:int,可选(默认= 5),k_neighbors查询默认使用的邻居数 ,k值的取值会影响结果。
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)
例子:k近邻算法实例-预测入住位置 kaggle中的数据,可以自己下载
首先确定目标值和特征值:
分类:
特征值:x,y坐标,确定准确性,时间。
目标值: 入住位置的id
处理:
1.这里我不用全部的的数据,取其中的一部分,进行相关比例的缩小。0<x<10 ,0<y<10
2.时间戳进行处理(需要看处理效果,可能需要处理可能不需要),年,月,日,时,分,秒,看顾客入住的时间,可以构成一个新的特征。
3.这里类别数量太大,会降低预测准备率,可以将少于指定签到人数位置进行删除,比日说这家酒店去的人很少,可能就不需要了。
from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
def knncls():
"""k-近邻预测用户签到位置"""
#读取数据
data=pd.read_csv("文件路径")
print(data.head(10))
#处理数据
#1.缩小数据 query()查询数据筛选
data=data.query("x > 1.0 & x < 1.25 & y >2.5 & y < 2.75")
#2.处理时间的数据 unit转换格式默认s
time_value=pd.to_datetime(data['time'],unit='s')
print(time_value)
#把日期格式转换成字典格式
time_value=pd.DatetimeIndex(time_value)
#3.构造一些特征
data['day']=time_value.day
data['hour']=time_value.hour
data['weekday']=time_value.weekday
#把原来时间戳删除 label参数 删除只需要传入特征标签名字 按照列删除
data=data.drop(['time'],axis=1)
print(data)
#把签到数量少于n个的目标位置删除 place_count 索引
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)]
#取出数据中的特征值和目标值 y目标值
y=data['place_id']
x=data.drop(['place_id'],axis=1)
#进行数据的分割训练集和测试集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
#特征工程(标准化)
std=StandardScaler()
#对测试集和训练集的特征值进行标准化
x_train=std.fit_transform(x_train)
x_test=std.fit_transform(x_test)
#进行算法流程
knn=KNeighborsClassifier(n_neighbors=5)
#fit, predict,score
knn.fit(x_train,y_train)
#得出预测结果
y_predict=knn.predict(x_test)
print("预测目标签到的位置为:",y_predict)
#得出准确率
score=knn.score(x_test,y_test)
print("预测的准确率:",score)
return None
if __name__ == '__main__':
knncls()
k-近邻算法的总结
k值取很小:容易受异常点的影响
k值取很大:容易受k值数量(类别)的波动
性能问题:如果样本很大,运算时间很长
k-近邻算法优缺点
优点:
简单,易于理解,易于实现,无需估计参数,无需训练
缺点:
懒惰算法,对测试样本分类时的计算量大,内存开销大
必须指定K值,K值选择不当则分类精度不能保证
使用场景:小数据场景,几千~几万样本,具体场景具体业务去测试