一、k最近邻(kNN)的基本概念
k最近邻(k-Nearest Neighbors,k-NN),采用该算法要实现对一个新的数据点做出预测,其会在训练集中寻找与这个新数据点距离最近的数据点,然后将找到的数据点的标签赋值给这个新数据点。
k-NN属于最简单的监督学习(supervised learning)算法之一,可用于分类(classification)、回归(regression)问题,其不需要对训练集中的数据做任何拟合等处理,只需要保存训练集数据即可进行预测。
k-NN中的k,其含义是考虑训练集中与新数据点最近的任意k个邻居,k=1即考虑最近的那个。对于分类问题推荐采用奇数的k,因为在可能出现的投票情形时可以保证不会出现平手;对于回归问题,原则上对k的奇偶性没有要求,回归问题的预测采用最相似的这k个预测值取平均。
k-NN算法比较适合应用在低维空间(特征比较少的数据),算法实际复杂度比较高,将其应用到大数据时需要适当处理。
二、实现k-NN算法的过程
1.将所要分析的事物对象进行合适的数据化,即特征工程(Feature Engineering),用各种特征描述事物,将它们表示成向量/矩阵/张量数据的形式。这里需要注意进行数据清洗、特征缩放:数据清洗去除无关分析的数据,或者将非数值化的数据转化为数值(独热编码,One-Hot Coding);特征缩放主要用于处理数据中,不同的特征之间,量纲不同造成的数据值差异太大,导致某些特征容易被覆盖、得不到正确的处理,有线性归一化(Min-Max Normalization)和标准差标准化(Z-score Normalization)两种常用的方式。
需要注意的是&#x