机器学习笔记（一）——KNN学习

一、概念：

KNN（K-Nearest Neighber ,简称KNN）学习是一种常用的监督学习方法。

（一）工作机制：

给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测，其实就是所谓“近朱者赤，近墨者黑”。

（二）训练过程：

KNN学习，没有显式的训练过程，是典型的“懒惰学习”的技术，在训练阶段中仅仅把样本保存起来，训练时间开销为零，待收到测试样本后再进行处理。

二、KNN模型的三个要素

（一）距离度量：

其中两个实例点之间的距离反映了相似程度。

1.曼哈顿距离:

2. 欧氏距离:

一般来说使用欧式距离来计算。

（二）K值：

选取样本的数量。
k值的选择会对k近邻法的结果产生重大影响。在应用中，k值一般取一个比较小的数值，通常采用交叉验证法来选取最优的k值。

（三）分类决策的规则：

1.“投票法”：

选择k个样本中出现最多的类别标记为预测结果。

2.“平均法”：

将这k个样本的实值输出标记的平均值作为预测结果。

3.基于距离的投票：

基于距离远近进行加权平均或者加权投票，距离越近的样本权重越大。

三、算法实现

（一）数据准备

import numpy as np
import matplotlib.pyplot as plt
# raw_data_x是特征，raw_data_y是标签，0为良性，1为恶性
raw_data_X = [[3.393533211, 2.331273381],
              [3.110073483, 1.781539638],
              [1.343853454, 3.368312451],
              [3.582294121, 4.679917921],
              [2.280362211, 2.866990212],
              [7.423436752, 4.685324231],
              [5.745231231, 3.532131321],
              [9.172112222, 2.511113104],
              [7.927841231, 3.421455345],
              [7.939831414, 0.791631213]
             ]
raw_data_y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

# 设置训练组
X_train = np.array(raw_data_X)
y_train = np.array(raw_data_y)

# 将数据可视化
plt.scatter(X_train[y_train==0,0],X_train[y_train==0,1], color='b',label='M',marker = 'x')
plt.scatter(X_train[y_train==1,0],X_train[y_train==1,1], color='r',label='F',marker = '+')
plt.xlabel('Tumor Size')
plt.ylabel('Time')
plt.axis([0,10,0,5])
plt.legend()
plt.show()

(二) 现给定数据

现在给出一个的数据（样本点）x：[8.90933607318, 3.365731514]

1.求距离：

采用欧式方法求距离。

from math import sqrt

x=[8.90933607318, 3.365731514]
distances = []  # 用来记录x到样本数据集中每个点的距离
for x_train in X_train:
    d = sqrt(np.sum((x_train - x) ** 2))
    distances.append(d)
    
# 使用列表生成器，一行就能搞定，对于X_train中的每一个元素x_train都进行前面的运算，把结果生成一个列表
distances = [sqrt(np.sum((x_train - x) ** 2)) for x_train in X_train]

在求出距离列表之后，我们要找到最小的距离，需要进行一次排序操作。其实不是简单的排序，因为我们把只将距离排大小是没有意义的，我们要知道距离最小的k个点是在样本集中的位置。

nearest = np.argsort(distances)

输出结果：
array([7, 8, 5, 9, 6, 3, 0, 1, 4, 2], dtype=int32)

2.选k值：

然后我们选择k值，这里暂定为6，那就找出最近的6个点（top 6），并记录他们的标签值（y）

k = 6
topK_y = [y_train[i] for i in nearest[:k]]

topK_y

输出：
[1, 1, 1, 1, 1, 0]

3.分类决策的规则：

下面进入投票环节。找到与测试样本点最近的6个训练样本点的标签y。

from collections import Counter
votes = Counter(topK_y)
votes.most_common(1)
predict_y = votes.most_common(1)[0][0] 

最终将样本点预测结果为1。

4.完整代码

(1)kNN.py

import numpy as np
from math import sqrt
from collections import Counter

class kNNClassifier:

    def __init__(self, k):
        """初始化分类器"""
        assert k >= 1, "k must be valid"
        self.k = k
        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):
        """给定待预测数据集X_predict，返回表示X_predict结果的向量"""
        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 equal to X_train"
        y_predict = [self._predict(x) for x in X_predict]
        return np.array(y_predict)

    def _predict(self, x):
        distances = [sqrt(np.sum((x_train - x) ** 2)) for x_train in self._X_train]
        nearest = np.argsort(distances)
        topK_y = [self._y_train[i] for i in nearest]
        votes = Counter(topK_y)
        return votes.most_common(1)[0][0]

    def __repr__(self):
        return "kNN(k=%d)" % self.k

(2)调用代码

%run kNN.py

knn_clf = kNNClassifier(k=6)
knn_clf.fit(X_train, y_train)
X_predict = x.reshape(1,-1)
y_predict = knn_clf.predict(X_predict)
y_predict

输出：
array([1])

5. sklearn中的kNN

机器学习其流程是：训练数据集 -> 机器学习算法 -fit-> 模型 输入样例 -> 模型 -predict-> 输出结果

用sklearn中已经封装好的kNN库。

from sklearn.neighbors import KNeighborsClassifier

# 创建kNN_classifier实例
kNN_classifier = KNeighborsClassifier(n_neighbors=6)

# kNN_classifier做一遍fit(拟合)的过程，没有返回值，模型就存储在kNN_classifier实例中
kNN_classifier.fit(X_train, y_train)

# kNN进行预测predict，需要传入一个矩阵，而不能是一个数组。reshape()成一个二维数组，第一个参数是1表示只有一个数据，第二个参数-1，numpy自动决定第二维度有多少
y_predict = kNN_classifier.predict(x.reshape(1,-1))
y_predict

输出：
array([1])

对于KNeighborsClassifier的方法：

• 方法名 含义

• fit(X, y) 使用X作为训练数据，y作为目标值（类似于标签）来拟合模型。

  get_params([deep]) 获取估值器的参数。

  neighbors([X, n_neighbors, return_distance]) 查找一个或几个点的K个邻居。

  kneighbors_graph([X, n_neighbors, mode]) 计算在X数组中每个点的k邻居的（权重）图。

  predict(X) 给提供的数据预测对应的标签。

  predict_proba(X) 返回测试数据X的概率估值。

  score(X, y[, sample_weight]) 返回给定测试数据和标签的平均准确值。

  set_params(**params) 设置估值器的参数。

四、总结：

（一）kNN原理：
KNN是一种即可用于分类又可用于回归的机器学习算法。对于给定测试样本，基于距离度量找出训练集中与其最靠近的K个训练样本，然后基于这K个“邻居”的信息来进行预测。
在分类任务中可使用投票法，选择这K个样本中出现最多的类别标记作为预测结果；在回归任务中可使用平均法，将这K个样本的实值输出标记的平均值作为预测结果。当然还可以基于距离远近程度进行加权平均等方法。
（二）优缺点：
优点：
算法简单，既可以用来做分类也可以用来做回归
由于KNN方法主要靠周围有限的邻近的样本，对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合
该算法比较适用于样本容量比较大的类域的自动分类
缺点：
特征数非常多的时候，计算量大
样本不平衡的时候，对稀有类别的预测准确率低
使用懒散学习方法，基本上不学习，导致预测时速度比起逻辑回归之类的算法慢
（三）kNN如何计算距离，为什么使用欧式距离而非曼哈顿距离？
预测点与所有的距离进行计算，然后对距离进行排序，选择前K个值类别较多的。
曼哈顿距离只计算维度内的距离。
而欧式距离计算多维空间的直接距离。
因此欧式距离为最佳选择。
（四）k值选择：
k值一般取一个比较小的数值，可采用交叉验证法（简单来说，就是一部分样本做训练集，一部分做测试集）来选择最优的k值。
（五）kNN时间复杂度：
KNN算法的时间复杂度为O(DNN)。其中D为维度数,N为样本总数。从时间复杂度上，一般适用于样本数较少的数据集，非常不适合高维度的数据集。