分类算法-k近邻算法(KNN算法)
定义
- 如果一个样本在特征空间中的k个最近似(即特征空间中最近邻)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。
- 思想:相似样本的特征值应该是相近的。
- 距离计算公式
两个样本之间的欧氏距离:
注意,k-近邻算法,需要对数据进行标准化处理!
sklearn k-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors = 5, algorithm = “auto”)
- n_neighbors:int,可选,默认为5;k_neighbors查询默认使用的neighbor数量;
- algorithm:{‘auto’,“ball_tree”,“kd_tree”,“brute”},可选用于计算最近邻的算法。"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)
k-近邻算法的优缺点
优点:简单,易于理解和实现;无需估计参数,无需训练;
缺点:
(1)懒惰算法,对测试样本分类时的计算量大,内存开销大;
(2)必须指定k值,k值选择不当则分类精度不能保证(k取值很小,容易受异常点影响;k取值很大,最近邻的数据太多,几个类别比例可能相当,不好分类;类别波动)。
使用场景:小数据场景。
例1
例2
实例流程:
数据处理流程:
(1)缩小数据集范围,便于处理(节省练习时间);
(2)处理日期数据并选择相关日期数据添加为特征值;
(3)将签到少于n个用户的位置删除。
1. 读取数据
data = pd.read_csv("./data/train.csv")
print(data.head(10)) # 打印前10行
运行结果:
2. 处理数据
# 2. 处理时间数据
# 将字符型数据解析成datatime对象
time_value = pd.to_datetime(data["time"], unit