KNN介绍
KNN(K-Nearest Neighbor)算法,意思是K个最近的邻居,从这个名字我们就能看 出一些KNN算法的蛛丝马迹了。K个最近邻居,毫无疑问,K的取值肯定是至关重要 的。那么最近的邻居又是怎么回事呢?其实啊,KNN的原理就是当预测一个新的 值x的时候,根据它距离最近的K个点是什么类别来判断x属于哪个类别。
图中绿色的点就是我们要预测的那个点,假设K=3。那么KNN算法就会找到与它距离 最近的三个点(这里用圆圈把它圈起来了),看看哪种类别多一些,比如这个例子中 是蓝色三角形多一些,新来的绿色点就归类到蓝三角了
但是,当K=5的时候,判定就变成不一样了。这次变成红圆多一些,所以新来的绿 点被归类成红圆。从这个例子中,我们就能看得出K的取值是很重要的。
KNN实现步骤
计算距离(欧几里得距离或者马氏距离)
升序排列
取前K个
K的取值
K太大:导致分类模糊
K太小:受个例影响,波动较大
加权平均
经验
KNN代码实战应用
KNN算法求病人癌症检测的正确率
数据
代码及注释
import csv
#Python提供了一个标准的类库CSV文件。这个类库中的reader()函数用来导入CSV文件。当CSV文件被读入后,可以利用这些数据生成一个NumPy数组,用来训练算法模型。:
import random
#导入随机函数模块
# 读取数据
with open("D:\Prostate_Cancer.csv", "r") as f:
render = csv.DictReader(f)
#csv.DictReader()读到的第一行数据就是键
print(render)
#<csv.DictReader object at 0x000002404794B910>
datas = [row for row in render]
#一行一行读取render里的数据放入列表,#使得每一个字典数据为列表中的元素
# print(datas)
#列表里放字典数据
# 分组,打乱数据
random.shuffle(datas)
#random.shuffle()用于将一个列表中的元素打乱顺序,值得注意的是使用这个方法不会生成新的列表,只是将原列表的次序打乱。
n = len(datas) // 3
#获取数据1/3长度用于下面数据分开为测试类和训练类
test_data = datas[0:n]
#选取一部分数据用于测试
train_data = datas[n:]
#选取一部分数据用于训练
# print (test_data)
# print (train_data)
print (train_data[0])
# #输出训练列表第一个
# print (train_data[0]["id"])
# #输出训练列表第一个字典的id键对应的值
# 计算对应的距离
#"distance": distance(data, train)
def distance(x, y):
#函数传入两个参数后,我们定义一个元组,定义一个变量k依次遍历,元组中的值,
# 而传入的x和y都是我们列表中的字典,这样我们可以求得字典所对应键值的value值,
# 同时我们又发现value值为字符串模式,且存在大量小数,采用转型变成float型进行运算,并返回开方值
res = 0
for k in ("radius", "texture", "perimeter", "area", "smoothness", "compactness", "symmetry", "fractal_dimension"):
res += (float(x[k]) - float(y[k])) ** 2
return res ** 0.5
def knn(data, K):
# 1. 计算距离
res = [
{"result": train["diagnosis_result"], "distance": distance(data, train)}
for train in train_data
]
# 2. 排序
sorted(res, key=lambda x: x["distance"])
#输入是传入到参数列表X的值,输出是根据表达式distance(data, train)计算得到的值
# print(res)
# 3. 取前K个
res2 = res[0:K]
# 4. 加权平均
result = {"B": 0, "M": 0}
# 4.1 总距离
sum = 0
for r in res2:
sum += r["distance"]
#前K个的总距离
# 4.2 计算权重
for r in res2:
# print(r)
# print(r['result'])
# print(result[r['result']])
result[r['result']] += 1 - r["distance"] / sum
#给权重赋值
# 4.3 得出结果
if result['B'] > result['M']:
#输出概率大的结果
return "B"
else:
return "M"
# print(distance(train_data[0],train_data[1]))
# 预测结果和真实结果对比,计算准确率
#计算k取1-10的情况
for k in range(1, 11):
correct = 0
#记录正确的个数
for test in test_data:
result = test["diagnosis_result"]
#测试类的结果,良性肿瘤用“B”,恶性肿瘤用“M”表示
result2 = knn(test, k)
if result == result2:
#相等时正确,正确数加1
correct += 1
print("k=" + str(k) + "时,准确率{:.2f}%".format(100 * correct / len(test_data)))
#100 * correct / len(test_data,正确个数占测试个数的比例
运行结果