K近邻法

 概述

k近邻法(k-nearest neighbor, k-NN)是一种基本分类与回归方法（此处讨论的是分类问题的K近邻算法）。

k近邻法实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型”，不具有显式的学习过程。

k近邻算法的特殊情况是k=1的时候，此时称为最近邻算法。

k值的选择、距离度量及分类决策规则是k近邻法的三个基本要素。

K近邻算法

k近邻模型

1、模型

在k近邻算法中，当训练集、最近邻值k、距离度量、决策规则等确定下来时，整个算法实际上是利用训练集把特征空间划分成一个个子空间，训练集中的每个样本占据一部分空间。

具体地，在特征空间中，对每个训练样本而言，距离该点比其他点更近的所有点组成一个区域，叫做单元。每个训练样本拥有一个单元，所有样本的单元构成对特征空间的一个划分。然后该单元的所有点的标签都和该单元的样本点一致。

以最近邻为例，当测试样本落在某个训练样本的领域内，就把测试样本标记为这一类。 

2、距离度量

特征空间中两个实例点的距离是两个实例点相似程度的反映。

常用的是欧氏距离，也可以是其他距离。

值得注意的是，使用不同的距离度量，计算出的最近邻点是不同的。

更多距离度量详见该博客：https://blog.csdn.net/h_wlyfw/article/details/24023325

3、k值的选择

如果选择较小的k值，“学习”的近似误差( approximation ertor)会减小，只有与输入实例较近的(相似的)训练实例才会对预测结果起作用。但缺点是“学习”的估计误差(estimarion ertor)会增大，预测结果会对近邻的实例点非常敏感。如果邻近的实例点恰巧是噪声， 预测就会出错。换句话说，k值的减小就意味着整体模型变得复杂，容易发生过拟合。

如果选择较大的k值，正好相反，k值的增大就意味着整体的模型变得简单。如果k=N，那么无论输入实例是什么，都将简单地预测它属于在训练实例中最多的类。这时， 模型过于简单，完全忽略训练实例中的大量有用信息，是不可取的。

 

在应用中，k值一般取一个比较小的数值.通常采用交叉验证法来选取最优的k值.

4、分类决策规则

常用 多数表决规则(majority voting rule)， 即由输入实例的k个近邻的训练样本中，统计数量最多的类别作为该实例标签。

多数表决规则等价于经验风险最小化。解释如下：

k近邻法的实现：kd树

考虑这样的问题， 给定一个数据集D和某个点x，找出与x距离最近的k个点。这是一类很常见的问题，最简单的方法是暴力搜索，直接线性搜索所有数据，直到找到这k个点为止。对少量数据而言，这种方法还不错，但对大量、高纬度的数据集来说，这种方法的效率就差了。我们知道，排序好的数据查找起来效率很高，所以，可以利用某种规则把已有的数据“排列”起来，再按某种特定的搜索算法，以达到高效搜索的目的。“kd树”这是这样一种方法。

kd树是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。kd树是二叉树，表示对k维空间的一个划分(partition)。构造kd树相当于不断地用垂直于坐标轴的超平面将k维空间切分，构成一系列的k维超矩形区域。kd树的每个结点对应于一个k维超矩形区域.

1、构造kd树

 

注：选择坐标的中位数（不是该轴中间点，是排序后的中间值）作为切分点事为了得到平衡的kd树，但是平衡kd树搜索时的效率未必是最优的。另外，mod是取余操作。

 

即

 

2、搜索kd树

 

 

一个具体例子：利用刚才构建好的kd树查找点为（2，4.5）

1、同样先进行二叉查找，先从（7,2）沿沿x₀维度查找到（5,4）节点，再沿着沿x₁维度进行查找，由y = 4为分割超平面的，由于查找点为y值为4.5，因此进入右子空间查找到（4,7），因为是叶节点，所以取（4,7）为当前最近邻点，计算其与目标查找点的距离为3.202。

2、然后回溯到（5,4），计算其与查找点之间的距离为3.041。由于距离相比（4,7）较小，因此（5,4）为查询点的当前最近邻点。

3、以（2，4.5）为圆心，以3.041为半径作圆，如下图所示。可见该圆和y = 4超平面交割，所以需要进入（5,4）左子空间进行查找。（注：此处不是说，上一步一旦回溯的父节点距离更小，被认为当前最近邻点后，就一定要去另一个子节点查找，这里的做圆并检测是否在当前分割维度交割是有必要的，举例来说，万一要检测的点事（5，4.1），这里就没交割，就不用去另一子空间查找。）

 

4、回溯至（2,3）叶子节点，（2,3）距离（2,4.5）比（5,4）要近，所以最近邻点更新为（2，3），最近距离更新为1.5。

5、回溯至（7,2），以（2,4.5）为圆心1.5为半径作圆，并不和x = 7分割超平面交割，如下图所示。

6、至此，搜索路径回溯完。返回最近邻点（2,3），最近距离1.5。

 

 （该文应补代码的，等我仿完数据结构那本书就来补，暂时参考：https://blog.csdn.net/dobests/article/details/48580899）

 

转载于:https://www.cnblogs.com/CJT-blog/p/10124695.html