机器学习：分类算法（离散型）K-近邻算法

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