本编文章将介绍机器学习入门算法-k近邻算法,将会用demo演示机器学习分类算法。
在先介绍算法时,先回顾分类和回归的区别。像文章分类识别也是这样处理的,如1代表体育,2代表科技,3代表娱乐属于分类问题,需要运用分类算法。预测票房、股票等具体数值,这就是连续型,属于回归问题,需要运用回归算法。额外补充下转化器和估计器这两个在机器学习的重要概念。
转化器与估计器
转化器
![ca452274599108da39758d0dd98b9ef0.png](https://i-blog.csdnimg.cn/blog_migrate/8e95488e2399318fb4ad2c85e3d90d20.jpeg)
转化器示意图
从代码层面来说就是继承了Transformer这个类就是转化器。
![4212f5a442e6f513be997fdc25409b59.png](https://i-blog.csdnimg.cn/blog_migrate/17242c12b0a6fef665737e70467d6df6.jpeg)
实例演示
api 介绍fit_transform():输入数据直接转换fit(): 输入数据,计算平均值,方差等等,但是对数据不做事transform(): 进行数据的转换
fit_transform()执行的是两个步骤,fit和transform,fit指定转化的标准,transform跟fit的制定的标准执行转化。如 out【3】和out【6】的执行结果是一致的,但是与out【8】是不一致的,因为它的fit的标准变了。
![e7a44e206cfe2ec6b8e00d94d97e1616.png](https://i-blog.csdnimg.cn/blog_migrate/e57d5d242cf8d373d2075a6f59e321c2.jpeg)
类图关系
StandardScaler继承了TransformerMixin,被实例化出来的被称作转化器。
估计器
sklearn机器学习算法的实现-估计器
在sklearn中,估计器(estimator)是一个重要的角色,分类器和回归器都属于estimator,是一类实现了算法的API
1、用于分类的估计器:•sklearn.neighborsk-近邻算法•sklearn.naive_bayes 贝叶斯•sklearn.linear_model.LogisticRegression 逻辑回归2、用于回归的估计器:•sklearn.linear_model.LinearRegression 线性回归•sklearn.linear_model.Ridge 岭回归
![84abc6d059914e48cb6f138c8dd4708d.png](https://i-blog.csdnimg.cn/blog_migrate/fb34f2a483f3d6ef1d5be53f97ec3d20.jpeg)
估计器的使用过程
分类算法-k近邻算法
概念
![d957613b157fbceba054c9077da0f4d5.png](https://i-blog.csdnimg.cn/blog_migrate/45ea2676cf347613f1998cf6f97f5c71.jpeg)
算法概念示例图
图中有一个人不知道自己所属于什么区,但是他知道其他人在什么位置以及距离。距离自己最近的人所在区来表示自己的所在的区。这就是k近邻算法的核心思想。
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。来源:KNN算法最早是由Cover和Hart提出的一种分类算法。
![f144fa1da5f9daafb60c93389bd0bcad.png](https://i-blog.csdnimg.cn/blog_migrate/cfe93754293d76f4c6dafca6d1ac42ab.jpeg)
概念案例示意图
这里的特征是打斗镜头和接吻镜头,目标值是爱情片还是动作片。那么用k近邻算法就是求出它的”与未知电影的距离”。
两个样本的距离可以通过如下公式计算,又叫欧式距离。
![c20c0df5acf41280f8d5ac3abb49e188.png](https://i-blog.csdnimg.cn/blog_migrate/6c4ab4dd080d2d1da5236fde3a475969.jpeg)
算法公式
但是它的特征如果很大,则会影响数据准确性。所以它需要标准化。
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)
实例
原题题目网址:https://www.kaggle.com/c/facebook-v-predicting-check-ins
根据提供信息预测用户入驻位置
![d542e3fd334f2480b4a944f161eb84cc.png](https://i-blog.csdnimg.cn/blog_migrate/d32e43c262fc7c335762c9981c67be5a.jpeg)
问题描述
实例数据 https://pan.baidu.com/s/1BGKkCagNT8q81M-xgyW64w
密码 b2n4
![2be1ab2eacfcd9dc55921a94fa4ad06b.png](https://i-blog.csdnimg.cn/blog_migrate/665d291ab18b4270768386fa12b91391.jpeg)
数据描述
from sklearn.datasets import load_iris, fetch_20newsgroups, load_bostonfrom sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.preprocessing import StandardScalerfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.naive_bayes import MultinomialNBfrom sklearn.metrics import classification_reportfrom sklearn.feature_extraction import DictVectorizerfrom sklearn.tree import DecisionTreeClassifier, export_graphvizfrom sklearn.ensemble import RandomForestClassifierimport pandas as pddef knncls(): """ K-近邻预测用户签到位置 :return:None """ # 读取数据 data = pd.read_csv("./data/FBlocation/train.csv") # print(data.head(10)) # 处理数据 # 1、缩小数据,查询数据晒讯 data = data.query ("x > 2.0 & x < 2.25 & y > 2.5 & y < 2.75") # 处理时间的数据 time_value = pd.to_datetime(data['time'], unit='s') print(time_value) # 把日期格式转换成 字典格式 time_value = pd.DatetimeIndex(time_value) # 构造一些特征 data['day'] = time_value.day data['hour'] = time_value.hour data['weekday'] = time_value.weekday # 把时间戳特征删除 data = data.drop(['time'], axis=1) # 把签到数量少于n个目标位置删除 place_count = data.groupby('place_id').count() tf = place_count[place_count.row_id > 3].reset_index() data = data[data['place_id'].isin(tf.place_id)] # 取出数据当中的特征值和目标值 y = data['place_id'] x = data.drop(['place_id'], axis=1) # 进行数据的分割训练集合测试集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25) # 特征工程(标准化) std = StandardScaler() # 对测试集和训练集的特征值进行标准化 x_train = std.fit_transform(x_train) x_test = std.transform(x_test) # 进行算法流程 # 超参数 knn = KNeighborsClassifier(n_neighbors=5) # fit, predict,score knn.fit(x_train, y_train) # 得出预测结果 y_predict = knn.predict(x_test) print("预测的目标签到位置为:", y_predict) # 得出准确率 print("预测的准确率:", knn.score(x_test, y_test))
提高准确率
没有变标准化 准确率为0.02
标准化之后 准确率为0.32
去除无用的rowid 准确率为0.40
调整n_neighbors=6 准确率为0.39
实例流程:
1、数据集的处理
2、分割数据集
3、对数据集进行标准化
4、estimator流程进行分类预测
注意点
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.性能问题
每个样本进行预测都要与所有样本计算欧式距离,导致它的性能非常低下。在我们选择算法的时候,通常要考虑准确率高和不影响机器性能的算法。所以这个算法在实际较少用到。
3.优点
简单,易于理解,易于实现,无需估计参数,无需训练。估计参数不是KNeighborsClassifier(n_neighbors=5) 里的n_neighbors的参数,这种的参数叫做超参数,而估计参数是算法里面的参数。无需训练,因为与每个样本的距离的都是固定的,所以无需训练。
4.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。