KNN分类算法原理及实现,sklearn中的使用方法
简介
右下图中,绿色圆要被决定赋予哪个类,是红色三角形还是蓝色四方形?如果K=3,由于红色三角形所占比例为2/3,绿色圆将被赋予红色三角形那个类,如果K=5,由于蓝色四方形比例为3/5,因此绿色圆被赋予蓝色四方形类。
K最近邻(k-Nearest Neighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是: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。
实现及使用方法
下面的KNNClassifier是模仿sklearn中的api实现的一个简单类
- init构造器传入的是一个k值,即要统一分析的最近的k个点
- fit函数需要在对象创建后使用,传入训练数据集,X_train,y_train
- predict方法传入的是一个测试数据集,返回的是一个测试结果集(这里统一返回np.array)
- (在sklearn该方法在metrics模块中所以设置为私有方法)_accuracy_score是用来计算准确率的,传入的连个参数分别为 真实结果集 和 测试结果集
- score方法用来计算该模型的准确率,传入的是 测试数据集 和 测试数据的真是结果集,返回该模型的准确度
import numpy as np
from math import sqrt
from collections import Counter
# k近邻算法可以认为是一个没有训练过程的算法
# 对于knn来说,训练集就是模型
# 参数k,X_train训练集, y_train分类标签集, x新的点
class KNNClassifier:
def __init__(self, k):
"""初始化kNN分类器"""
assert k>=1, "k must be valid"
self.k = k
# 私有成员变量_
self._X_train = None
self._y_train = None
def fit(self, X_train, y_train):
"""根据训练数据集X_train和y_train训练kNN分类器"""
assert X_train.shape[0] == y_train.shape[0], \
"the size of X_train must be equal to the size of y_train."
assert self.k <= X_train.shape[0], \
"the size of X_train must be at least k."
self._X_train = X_train
self._y_train = y_train
return self
def predict(self, X_predict):
"""给定待测预测数据集X_predict,返回表示X_predict的结果向量集"""
assert self._X_train is not None and self._y_train is not None, \
"must fit before predict!"
assert X_predict.shape[1] == self._X_train.shape[1], \
"the feature number of X_predict must be similar to X_train."
y_predict = [self._predict(x) for x in X_predict]
return np.array(y_predict)
def _predict(self, x):
"""给定单个待测数据x,返回x的预测结果集"""
assert x.shape[0] == self._X_train.shape[1], \
"the feature number of x must be equal to X_train"
# 欧拉距离
distances = [sqrt(np.sum((x_train-x)**2))
for x_train in self._X_train]
# 求出距离最小的索引
nearest = np.argsort(distances)
# 前k个距离最小的标签的点集
topK_y = [self._y_train[i] for i in nearest[:self.k]]
# 投票统计
votes = Counter(topK_y)
# 返回票数最多的标签
return votes.most_common(1)[0][0]
def _accuracy_score(self, y_true, y_predict):
"""计算 y_true 和 y_predict 之间的准确率"""
assert y_true.shape[0] == y_predict.shape[0], \
"the size of y_true must be equal to the size of y_predict"
return sum(y_true == y_predict) / len(y_true)
def score(self, X_test, y_test):
"""根据测算数据集 X_test 和 y_test 确定当前模型的准确度"""
y_predict = self.predict(X_test)
return self._accuracy_score(y_test, y_predict)
def __repr__(self):
return "KNN(k=%d)" % self.k
model_selection模块下面train_test_split方法
- 该方法的功能是实现把数据分为训练数据集和测试数据集两部分
- 该方法传入一个特征集X和一个分类集y,test_ratio是测试数据集所占比例,seed是随机种子,默认为空
import numpy as np
def train_test_split(X, y, test_ratio=0.2, seed=None):
"""将数据 X 和 y 按照test_ration分割成X_train, X_test, y_train, y_test"""