统计学习方法读书笔记第三章:k近邻法
k近邻法
k k k近邻法是一种基本分类与回归方法。 k k k近邻的输入为实例的特征向量,对应于特征空间的点;输出为实例的类别,可以取多类。 k k k近邻法假设给定一个训练数据集,其中的实例类别已定。分类时,对新的实例,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。因此, k k k近邻法不具有显式的学习过程。 k k k近邻法实际上利用训练集对特征向量空间进行划分,并作为其分类“模型”。 k k k值得选择,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。
k紧邻算法
- 输入:训练数据集
T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x N , y N ) } T = \{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\} T={(x1,y1),(x2,y2),...,(xN,yN)}
其中, x i ∈ X ⊆ R n x_i\in \mathcal{X}\subseteq \bold{R}^n xi∈X⊆Rn为实例的特征向量, y i ∈ Y = { c 1 , c 2 , . . . , c K } y_i\in \mathcal{Y}=\{c_1,c_2,...,c_K\} yi∈Y={c1,c2,...,cK}为实例的类别, i = 1 , 2 , . . . , N i=1,2,...,N i=1,2,...,N;实例特征向量 x x x; - 输出:实例 x x x所属的类 y y y。
- (1) 根据给定的距离度量,在训练集 T T T中找出与 x x x最邻近的 k k k个点,涵盖这 k k k个点的 x x x的淋浴记作 N k ( x ) N_k(x) Nk(x);
- (2) 在
N
k
(
x
)
N_k(x)
Nk(x)中根据分类决策规则(如多数表决)决定
x
x
x的类别
y
y
y:
y = a r g m a x c j ∑ x i ∈ N k ( x ) I ( y i = c j ) , i = 1 , 2 , . . . , N ; j = 1 , 2 , . . . , K y = argmax_{c_j}\sum_{x_i\in N_k(x)}I(y_i=c_j), i=1,2,...,N; j=1,2,...,K y=argmaxcjxi∈Nk(x)∑I(yi=cj),i=1,2,...,N;j=1,2,...,K
其中 I I I为指标函数,即当 y i = c j y_i=c_j yi=cj时 I I I为1,否则 I I I为0。
k近邻模型
- k k k近邻法使用的模型实际上对应于对特征空间的划分。模型由三个基本要素—距离度量、 k k k值得选择和分类决策规则决定。
- 模型
特征空间中,对每个训练实例点 x i x_i xi,距离该店比吉他点更近的所有点组成一个区域,叫作单元。每个训练实例点拥有一个单元,所有训练实例点的单元构成对特征空间的一个划分。最近邻法将实例 x i x_i xi的类 y i y_i yi作为其单元中所有点的类标记。这样,每个单元的实例点的类别是确定的。
- 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。由不同的距离度量所确定的最近邻点是不同的。 - k值得选择
k k k值得选择会对 k k k近邻法的结果产生重大影响。 - 分类决策规则
k k k近邻法中的分类决策规则往往是多数表决,即由输入实例的 k k k个近邻的训练实例中的多数类决定输入实例的类。
k近邻法的实现:kd树
- 实现 k k k近邻法时,主要考虑的问题是如何对训练数据进行快速 k k k近邻搜索。这点在特征空间的维数大及训练数据容量大时尤其必要。为了提高 k k k近邻搜索的效率,可以考虑使用特殊的结构存储训练数据,以减少计算距离的次数。
- 构造kd树
kd树是一种对 k k 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结构。kd树是二叉树,表示对 k k k维空间的一个划分。构造kd树相当于不断地用垂直于坐标轴的超平面将 k k k维空间切分,构成一系列的 k k k维超矩形趋于。kd树的每个结点对应于一个 k k k维超矩形趋于
构造平衡kd树
输入: k k k维空间数据集 T = { x 1 , x 2 , . . . , x N } T=\{x_1,x_2,...,x_N\} T={x1,x2,...,xN},其中 x i = ( x i ( 1 ) , x i ( 2 ) , . . . , x i ( k ) ) T , i = 1 , 2 , . . . , N x_i=(x_i^{(1)},x_i^{(2)},...,x_i^{(k)})^T,i=1,2,...,N xi=(xi(1),xi(2),...,xi(k))T,i=1,2,...,N;
输出:kd树。
(1) 开始:构造根结点,根节点对应于包含 T T T的 k k k维空间的超矩形趋于。选择 x ( 1 ) x^{(1)} x(1)为坐标轴,以 T T T中所有实例的 x ( 1 ) x_{(1)} x(1)坐标的中位数为切分点,将根结点对应的超矩形区域切分为两个子区域。切分由通过切分点并与坐标轴 x ( 1 ) x^{(1)} x(1)垂直的超平面实现。由根结点生成深度为1的左、右子节点:左子结点对应坐标 x ( 1 ) x^{(1)} x(1)小于切分点的子区域,右子结点对应于坐标 x ( 1 ) x^{(1)} x(1)大于切分点的子区域。将落在切分超平面上的实例点保存在根结点。
(2) 重复:对深度为 j j j的结点,选择 x ( l ) x^{(l)} x(l)为切分的坐标轴, l = j ( m o d k ) + 1 l=j(modk)+1 l=j(modk)+1,以该结点的区域中所有实例的 x ( l ) x^{(l)} x(l)坐标的中位数为切分点,将该结点对应的超矩形区域切分为两个子区域。切分由通过切分点并与坐标轴 x ( l ) x^{(l)} x(l)垂直的超平面实现。由该结点生成深度为 j + 1 j+1 j+1的左、右结点:左子结点对应坐标 x ( l ) x^{(l)} x(l)小于切分点的子区域,右自己点对应坐标 x ( l ) x^{(l)} x(l)大于切分点的子区域。将落在切分超平面上的实例点保存在该结点。
(3) 直到两个子区域没有实例存在时停止。从而形成kd树的区域划分。 - 搜索kd树
利用kd树可以省去大部分数据点的搜索,从而减少搜索的计算量。
用kd树的最近邻搜索
输入:已构造的kd树;目标点 x x x;
输出: x x x的最近邻。
(1) 在kd树中找出包含目标点 x x x的叶结点:从根结点出发,递归地向下访问kd树。若目标点 x x x当前维的坐标小于切分点的坐标,则移动到左子结点,否则移动到右子结点。直到子结点为叶结点为止。
(2) 以此叶结点为“当前最近点”。
(3) 递归地向上回退,在每个结点进行以下操作:
(a) 如果该结点保存的实例点比当前最近点距离目标点更近,则以该实例点为“当前最近点”。
(b) 当前最近点一定存在于该结点一个子结点对应的区域。检查该子结点的父结点的另一子结点对应的区域是否有更近的点。具体的,检查另一子结点对应的区域是否与以目标为球心、以目标点与“当前最近点”间的距离为半径的超球体相交。如果相交,可能在另一个子结点对应的区域内存在距离目标点更近的点,移动到另一个子结点。接着,递归地进行最近邻搜索;如果不想交,向上回退。
(4) 当回退到根结点时,搜索结束。最后的“当前最近点”即为 x ( l ) x^{(l)} x(l)的最近邻点。
如果实例点是随机分布的,kd树搜索的平均计算发咋读是 O ( l o g N ) O(logN) O(logN),这里 n n n是训练实例数。kd树更适用于训练实例数远大于空间维数时的 k k k近邻搜索。当空间维数接近训练实例数时,它的效率会迅速下降,几乎接近线性扫描。