【ML算法】监督学习——KNN算法

前言

好久没有更新博客啦，罪过罪过，最近生病了，一直在休养，希望广大程序员朋友们一定要注意身体，少熬夜呀～今天又重新温习了一边KNN算法，整理出这篇文章。

算法介绍

KNN（k-nearest neighbor，k近邻）是一种基本的分类与回归算法，是监督学习算法，这个算法并不具有显示的学习过程，其输入为特征向量，输出为实例类别，输出的类别可以为多类，最终通过多数表决的方式进行预测。k值的选择、距离测度和分类决策规则是KNN的三个基本要素。
输入：训练数据集为T

$$T=\{(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)\}$$
其中, $x_i\in \chi \subseteq R^n$ 为特征向量， $y_i \in Y = \{c_1,c_2, \cdots ,c_K \}$ 为实例类别， $i=1,2,3, \cdots,N$ 。
输出：实例x所属类y。
（1）根据距离测度，在训练集T中找到与x最接近的k个点，涵盖这k个点的x的领域记作 $N_k(x)$ ;
（2）在 $N_k(x)$ 中根据分类决策规则决定x的类别y：
$$y=arg max \sum_ {x_i\in N-K(x)} I(y_i=c_j), i=1,2,\cdots,N; j=1,2,\cdots,K$$
其中，I为指示函数，当 $y_i=c_j$ 时I为1，否则为0。

K值的选择

k值的选择会对算法结果产生重大影响。如果选择较小的k值，就意味着仅会选择很小的邻域点进行训练，换句话说，只有与输入较近的训练样本点才会对算法输出有影响，因此这种情况下学习的近似误差会很小，但是模型估计误差会很大，因为模型对距离较近的邻域的点很敏感，如果这些点中存在噪声，那么模型准确率会迅速下降，也就是说，小的k值就意味着较为复杂的模型，输出结果过于依赖邻域中的几个点，这样就容易发生过拟合。
如果选择的k值较大，就意味着需要很大的邻域点进行训练，模型对于大多数点都具有依赖性，这种情况下，模型的估计误差会减小，但是近似误差会增大，因为训练的邻域中可能会有很多样本点的类别与输入不同，也就是说，大的k值就意味着较为简单的模型，输出结果会受到很多样本点的影响（其中可能有很大一部分样本点与输入并不属于同一类别），这样就容易发生欠拟合。
特殊情况，如果令k=N，模型未考虑数据的多样性，输出结果永远都是模型中类别频数最大的项。
在实际应用中，通常会选取较小的k值，然后通过交叉验证来减轻过拟合。

距离测度

距离测度在KNN、聚类中经常会遇到，常见的有欧式距离、马氏距离、明氏距离、汉明距离、曼哈顿距离等，本文中介绍其中几种。
空间中两个实例点的距离是两个点相似程度的反应。KNN中的特征空间一般为n维实数向量空间 $R^n$ ,最常使用的是欧式距离，也可以使用 $L_p$ 距离。
设特征空间 $\chi$ 是n维实数向量空间 $R^n$ , $x_i,x_j \in \chi, x_i = (x_i^1,x_i^2,\cdots ,x_i^n)^T, x_j = (x_j^1,x_j^2,\cdots , x_j^n)^T, x_i,x_j 的 L_p$ 距离定义为：

$$L_p(x_i,x_j) = (\sum_{l=1}^{n}| x_i^l-x_j^l|^P)^\frac{1}{p} , p\geq 1$$
当p=1时，称为曼哈顿距离：
$$L_1(x_i,x_j) = \sum_{l=1}^{n} |x_i^l-x_j^l|$$
当p=2时，称为欧式距离：
$$L_p(x_i,x_j) = (\sum_{l=1}^{n}| x_i^l-x_j^l|^2)^\frac{1}{2}$$
当 $p=\infty$ 时，它是各个坐标距离的最大值：
$$L_1(x_i,x_j) = max_l |x_i^l-x_j^l|$$

分类决策规则

KNN算法多采取多数表决原则，即哪个类别投票的频数多，样本点就属于哪个类别，假设分类的损失函数为0-1损失函数，分类函数为：

$$f:R^n \rightarrow \{c_1,c_2,\cdots,c_K\}$$
那么，误差概率为：
$$P(Y\not=f(X))=1-P(Y=f(X))$$
于是，对于k个点，误分类率为：
$$\frac{1}{k} \sum_{x_i\in N_K(x)}I(y_i \not= c_j)=1-\frac{1}{k}\sum_{x_i\in N_K(x)}I(y_i = c_j)$$
要使误分率最小经验风险最小，就要使 $\sum_{x_i\in N_K(x)}I(y_i = c_j)$ 最大，所以多数表决规则等价于经验风险最小化。