K-近邻算法
1、k-近邻法简介
k
近邻法(k-nearest neighbor, k-NN
)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。
它的工作原理是:存在一个样本数据集合,也称作为训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后,将新的数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本最相似数据(最近邻)的分类标签。
一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数
。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。
k k k近邻法的输入为实例的特征向量,输出为实例的类别,可以取多个类。分类时,对于新的实例,根据其 k k k 个最近邻的训练实例的类别,通过多数表决等方式进行预测。k值的选择
、距离度量
及分类决策规则
是 k k k近邻法的三个基本要素。
2、距离度量
我们已经知道k-近邻算法根据特征比较,然后提取样本集中特征最相似数据(最邻近)的分类标签。那么,如何进行比较呢?
比如,以表1.1为例,怎么判断红色圆点标记的电影所属的类别呢? 如下图所示。
可以从散点图大致推断,这个红色圆点标记的电影可能属于动作片,因为距离已知的那两个动作片的圆点更近。
这个电影分类的例子有2个特征,也就是在2维实数向量空间,可以使用我们高中学过的两点距离公式计算距离:
∣ A B ∣ = ( x 1 − x 2 ) 2 + ( y 1 − y 2 ) 2 |AB|=\sqrt{(x_{1}-x_{2})^2+(y_{1}-y_{2})^2} ∣AB∣=(x1−x2)2+(y1−y2)2
通过计算,我们可以得到如下结果:
(101,20)->动作片(108,5)的距离约为16.55
(101,20)->动作片(115,8)的距离约为18.44
(101,20)->爱情片(5,89)的距离约为118.22
(101,20)->爱情片(1,101)的距离约为128.69
通过计算可知,红色圆点标记的电影到动作片(108,5)
的距离最近,为16.55
。如果算法直接根据这个结果,判断该红色圆点标记的电影为动作片,这个算法就是最近邻算法
,而非k-近邻算法
。那么k-近邻算法是什么呢?
k-近邻算法
步骤如下:
- 计算已知类别数据集中的点与当前点之间的
距离
; - 按照距离递增次序
排序
; - 选取与当前点距离
最小的k个点
; - 确定前k个点所在
类别的出现频率
; - 返回前k个点所出现频率
最高的类别
作为当前点的预测分类。
比如,现在我这个k值取3
,那么在电影例子中,按距离依次排序的三个点分别是动作片(108,5)、动作片(115,8)、爱情片(5,89)。在这三个点中,动作片出现的频率为三分之二,爱情片出现的频率为三分之一,所以该红色圆点标记的电影为动作片。这个判别过程就是k-近邻算法。需要理解
3、Python3代码实现
我们已经知道了k-近邻算法的原理,那么接下来就是使用Python3实现该算法,依然以电影分类为例。
电影名称 | 打斗镜头 | 接吻镜头 | 电影类型 |
---|---|---|---|
电影1 | 1 | 101 | 爱情片 |
电影1 | 1 | 101 | 爱情片 |
电影1 | 1 | 101 | 爱情片 |
(1)准备数据集
对于表中的数据,我们可以使用numpy直接创建,代码如下:
import numpy as np
"""
函数说明:创建数据集
Parameters:
无
Returns:
group - 数据集
labels - 分类标签
"""
def createDataSet():
#四组二维特征
group = np.array([[1,101],[5,89],[108,5],[115,8]])
#四组特征的标签
labels = ['爱情片','爱情片','动作片','动作片']
return group, labels
if __name__ == '__main__':
#创建数据集
group, labels = createDataSet()
#打印数据集
print(group)
print(labels)
#output:
[[ 1 101]
[ 5 89]
[108 5]
[115 8]] ['爱情片', '爱情片', '动作片', '动作片']
k-近邻算法
根据两点距离公式,计算距离,选择距离最小的前k个点,并返回分类结果。
"""
函数说明:kNN算法,分类器
Parameters:
inX - 用于分类的数据(测试集)
dataSet - 用于训练的数据(训练集)
labes - 分类标签
k - kNN算法参数,选择距离最小的k个点
Returns:
sortedClassCount[0][0] - 分类结果
"""
def classify0(inx, dataset, labels, k):
# 计算距离
dist = np.sum((inx - dataset)**2, axis=1)**0.5 #
# k个最近的标签
k_labels = [labels[index] for index in dist.argsort()[0 : k]]
# 出现次数最多的标签即为最终类别
label = collections.Counter(k_labels).most_common(1)[0][0]
return label
其中dist
为使用两点距离公式计算距离的到为[128.68954892 118.22436297 16.55294536 18.43908891]
。
dist.argsort()
为 [2 3 1 0]
,其中argsort
函数返回的是数组值从小到大的索引值。
collections.Counter(k_labels)
为Counter({'动作片': 2, '爱情片': 1})
,其中Counter()
函数就是对数组中的元素进行统计。
most_common(n)
函数用堆结构来实现Top n
功能。collections.Counter(k_labels).most_common(1)
结果为[('动作片', 2)]
,即取出次数最多的标签
collections.Counter(k_labels).most_common(1)
#[('动作片', 2)]
collections.Counter(k_labels).most_common(1)[0]
#('动作片', 2)
collections.Counter(k_labels).most_common(1)[0][0]
#'动作片'
测试
if __name__ == '__main__':
#创建数据集
group,labels = createDataSet()
#测试集
test = [101,20]
#kNN分类
test_class = classify0(test, group, labels, 3)
# #打印分类结果
print(test_class)
#结果为 动作片
可以看到,通过k-近邻算法
分类结果为动作片
。
到这里,也许有人早已经发现,电影例子中的特征是2维的,这样的距离度量可以用两 点距离公式计算,但是如果是更高维的呢?
在这里,我们可以用欧氏距离
(也称欧几里德度量
),如图1.5所示。我们高中所学的两点距离公式就是欧氏距离在二维空间上的公式,也就是欧氏距离的n的值为2的情况。
d ( p , q ) = d ( q , p ) = ( q 1 − p 1 ) 2 + ( q 2 − p 2 ) 2 + . . . + ( q n − p n ) 2 = ∑ k = 1 N ( q k − p k