一、概述
【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。
二、距离计算公式
两个样本的距离可以通过如下公式计算,又叫【欧式距离】
设有特征,a(a1,a2,a3),b(b1,b2,b3),那么:
(
a
1
−
b
1
)
2
+
(
a
2
−
b
2
)
2
+
(
a
3
−
b
3
)
2
\sqrt{(a1-b1)^{2}+(a2-b2)^{2}+(a3-b3)^{2}}
(a1−b1)2+(a2−b2)2+(a3−b3)2
三、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
- 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)
四、实战
数据位置:https://www.kaggle.com/c/facebook-v-predicting-check-ins/data
五、数据的处理
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3个用户的删除
groupby使用详细:https://cloud.tencent.com/developer/article/1193823
#按place_id列进行分组,并数出每个地方有多少次签到
place_count =data.groupby('place_id').aggregate(np.count_nonzero)
#入住次数>3个的拿出来,place_id放到最后做为一个特征,前面加一个新索引列0-n
tf = place_count[place_count.row_id > 3].reset_index()
#原表的place_id,存在上一步新建的表里的,单独拿出来做为新数据
data = data[data['place_id'].isin(tf.place_id)]
六、Knn算法实战
数据集示例(trian.csv):
6.1.初步knn,暂时不用特征工程(标准化)
此处分为两步:
- 因为数据集太大选择一部分数据进行处理choisecsv()
- 进行knn算法knndemo()
- 可以看到此时准确率仅为2.7%
import pandas as pd
from sklearn.model_selection import train_test_split #数据集分割成:测试集、训练集模块
from sklearn.neighbors import KNeighborsClassifier #knn近邻算法模块
def choisecsv():
"""
选取一部分数据保存为新表格
:return:
"""
# 【1】读取数据
path = "D:\\a\\data\\facebook-v-predicting-check-ins\\train.csv"
data = pd.read_csv(path)
# print(data.head(10))
# 【2】因为数据集太大,只选取一部分数据,保存一个新表格
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
print(data.head(10))
data.to_csv('train_s.csv',index=False) #第2参数,不要在新csv里最前列自动加索引
def demoknn():
"""
根据输入坐标,预测入住地点
:return:
"""
data=pd.read_csv("train_s.csv")
#【1】时间戳(785470):转化时间列的时间戳为时间类似:1970-1-1 12:00:00
time_value=pd.to_datetime(data['time'],unit='s')
#print(time_value)
#(1.1)把日期转化为字典格式
time_value=pd.DatetimeIndex(time_value)
# (1.2)根据时间字典构造一些新特征:月,天,时,星期几
data['mouth']=time_value.month
data['day'] = time_value.day
data['hour'] = time_value.hour
data['weekday'] = time_value.weekday
#(1.3)删除时间戳列。pd里0是行,1是列
data=data.drop(['time'],axis=1)
#print(data.head(10))
#【2】删除入驻数量少于3次的地方
place_count=data.groupby('place_id').count() #按place_id列进行分组,并数出每个地方有多少次签到
tf = place_count[place_count.row_id > 3].reset_index() #入住次数>3个的拿出来,place_id放到最后做为一个特征,前面加一个新索引列0-n
data = data[data['place_id'].isin(tf.place_id)] #原表的place_id,存在上一步新建的表里的,单独拿出来做为新数据
#print(data.sample(10))
#【3】取得特征值x、目标值y
y=data['place_id']
x=data.drop('place_id',axis=1)
#【4】分割数据集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
#【5】特征工程(标准化)(暂时跳过)
#【6】执行Knn算法
knn=KNeighborsClassifier(n_neighbors=5)
#【7】fit(处理),执行算法(到此模型已训练完成)
knn.fit(x_train,y_train)
#【8】预测结果predict(输入测试集进行预测)
y_predict=knn.predict(x_test)
print('预测的位置为:',y_predict)
#【9】算出准确率scroe(对模型进行测试集的预测,的准确率计算):
print('准确率为:',knn.score(x_test,y_test))
if __name__=="__main__":
#choisecsv() #选取部分数据创建一个新表并保存
demoknn() #knn实例
'''结果(可以看到此次准确率很低):
预测的位置为: [1097200869 4423196276 4932578245 ... 3312463746 1479000473 1097200869]
准确率为: 0.027659574468085105
'''
6.2提升预测准确率1:进行特征工程处理(标准化)
接上例代码,在第5步加上(特征工程——标准化)处理后再预测,可以看到准确率一下由上例的2.7%,一下提升到41.3%
#【5】特征工程(标准化)对测试集、训练集的特征值进行,标准化
std=StandardScaler()
x_train=std.fit_transform(x_train)
x_test=std.fit_transform(x_test)
'''结果:
预测的位置为: [3312463746 7803770431 2327054745 ... 1602053545 5270522918 1267801529]
准确率为: 0.4134751773049645
'''
6.3 提升预测准确率2:删除无关特征
排查发现row_id这列和预测数据结果无关,会对结果造成影响,因此删除
此时发现准确率由:41%变47%
关键代码:
# (2.1)此处打印发现row_id这列特征值与预测没有相关性,会影响模型预测结果;因此把它删除:训练特征集、测试特征集都要删除
data=data.drop(['row_id'],axis=1)
源码如下:
import pandas as pd
from sklearn.model_selection import train_test_split #数据集分割成:测试集、训练集模块
from sklearn.neighbors import KNeighborsClassifier #knn近邻算法模块
from sklearn.preprocessing import StandardScaler #特征工程 标准化 模块
def choisecsv():
"""
选取一部分数据保存为新表格
:return:
"""
# 【1】读取数据
path = "D:\\a\\data\\facebook-v-predicting-check-ins\\train.csv"
data = pd.read_csv(path)
# print(data.head(10))
# 【2】因为数据集太大,只选取一部分数据,保存一个新表格
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
print(data.head(10))
data.to_csv('train_s.csv',index=False) #第2参数,不要在新csv里最前列自动加索引
def demoknn():
"""
根据输入坐标,预测入住地点
:return:
"""
data=pd.read_csv("train_s.csv")
#【1】时间戳处理:转化时间列的时间戳为时间
time_value=pd.to_datetime(data['time'],unit='s')
#print(time_value)
#(1.1)把日期转化为字典格式
time_value=pd.DatetimeIndex(time_value)
# (1.2)根据时间字典构造一些新特征:月,天,时,星期几
data['mouth']=time_value.month
data['day'] = time_value.day
data['hour'] = time_value.hour
data['weekday'] = time_value.weekday
#(1.3)删除时间戳列。pd里0是行,1是列
data=data.drop(['time'],axis=1)
#print(data.head(10))
#【2】删除入驻数量少于3次的地方
place_count=data.groupby('place_id').count() #数出一共有多少个地方
tf = place_count[place_count.row_id > 3].reset_index() #入住次数>3个的拿出来,place_id放到最后做为一个特征,前面加一个新索引列0-n
data = data[data['place_id'].isin(tf.place_id)] #原表的place_id,存在上一步新建的表里的,单独拿出来做为新数据
#print(data.sample(10))
# (2.1)此处打印发现row_id这列特征值与预测没有相关性,会影响模型预测结果;因此把它删除:训练特征集、测试特征集都要删除
data=data.drop(['row_id'],axis=1)
#【3】取得特征值x、目标值y
y=data['place_id']
x=data.drop('place_id',axis=1)
#【4】分割数据集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
# print(x_train)
#【5】特征工程(标准化)对测试集、训练集的特征值进行,标准化
std=StandardScaler()
x_train=std.fit_transform(x_train)
x_test=std.fit_transform(x_test)
#【6】执行Knn算法
knn=KNeighborsClassifier(n_neighbors=5)
#【7】fit(处理),执行算法(到此模型已训练完成)
knn.fit(x_train,y_train)
#【8】预测结果predict(输入测试集进行预测)
y_predict=knn.predict(x_test)
print('预测的位置为:',y_predict)
#【9】算出准确率scroe(对模型进行测试集的预测,的准确率计算):
print('准确率为:',knn.score(x_test,y_test))
if __name__=="__main__":
#choisecsv() #选取部分数据创建一个新表并保存
demoknn() #knn实例
'''结果
预测的位置为: [7803770431 1097200869 3533177779 ... 4932578245 5606572086 1097200869]
准确率为: 0.4761229314420804
'''
6.4提升预测准确率3:K值调整等
1.调整k值关键代码:
1、k值取多大?有什么影响?
- k值取很小:容易受异常点影响
- k值取很大:容易受最近数据太多导致比例变化
2、性能影响:k近邻每个都要进行数值运算,当数据非常多时,非常耗时
#【6】执行Knn算法
knn=KNeighborsClassifier(n_neighbors=6)
'''结果:经多次调试发现
k值调整成6预测准确率最高变为:
48%
'''
七、K近邻总结
k-近邻算法步骤
- 导入相关模块
- 对数据进行初步处理(处理时间戳成新特征、删除无关特征)
- 对数据进行划分:分成训练集、测试集
- 进行特征工程处理:一般用标准化
- 进行knn算法
import pandas as pd
from sklearn.model_selection import train_test_split #数据集分割成:测试集、训练集模块
from sklearn.preprocessing import StandardScaler #特征工程 标准化 模块
from sklearn.neighbors import KNeighborsClassifier #knn近邻算法模块
详情见上一节代码……
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