1.1 为什么选择KNN
其次,KNN算法也很好用,理论成熟,简单粗暴,既可以用来做分类(天然支持多分类),也可以用来做回归。并且与朴素贝叶斯之类的算法相比,由于其对数据没有假设,因此准确度高,对异常点不敏感
1.1.1 KNN思想简介
KNN(K-NearestNeighbor),也就是K最近邻算法。顾名思义,所谓K最近邻,就是K个最近邻居的意思。也就是在数据集中,认为每个样本可以用离他距离最近的K个邻居来代表。
KNN算法的原理:
- 近朱者赤,近墨者黑。
- step1:计算待分类物体和其他物体之间的距离
- step2:统计距离最近的K个邻居
- step3:位置物体分类=K个最近的邻居,分类最多的那个类别。
贴出一张从百度百科上找的一张图,我们可以直观地感受到这朴素的思想:我们要判断Xu 是什么颜色的,找到与其距离最近的5个点,有4个是红色的,有1个是绿色的。因此我们认为Xu是属于红色的集合
因此可以说 :
在一个给定的类别已知的训练样本集中,已知样本集中每一个数据与所属分类的对应关系(标签)。在输入不含有标签的新样本后,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的k个数据(最近邻)的分类标签。通过多数表决等方式进行预测。即选择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近邻法不具有显式的学习过程,而是利用训练数据集对特征向量空间进行划分,并作为其分类的“模型”。
1.1.2 KNN算法流程
通过理解算法思想,可以将其简化为“找邻居+投票”。K近邻法使用的模型,实际上是特征空间的划分。模型由三个基本要素决定
- 距离度量
- k值
- 分类决策规则
K值选择:
- K值太小,容易过拟合。
- K值太大,容易欠拟合。
- 交叉验证的方式选取K值。
距离定义:
- 欧式距离:
- 曼哈顿距离:
- 闵可夫斯基距离
- 切比雪夫距离
- 余弦距离
KD树:
- 定义:对数据点在K维空间中划分的一种数据结构,二叉树结构在Sklearn中设置KD树
其中两个实例点之间的距离反映了相似程度。一般来说使用欧氏距离来计算。
梳理kNN算法流程如下:
- 计算测试对象到训练集中每个对象的距离
- 按照距离的远近排序
- 选取与当前测试对象最近的k的训练对象,作为该测试对象的邻居
- 统计这k个邻居的类别频率
- k个邻居里频率最高的类别,即为测试对象的类别
2.2 KNN算法自实现
import numpy as npimport 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='g', label = 'Tumor Size')
plt.scatter(X_train[y_train==1,0],X_train[y_train==1,1], color='r', label = 'Time')
plt.xlabel('Tumor Size')
plt.ylabel('Time')
plt.axis([0,10,0,5])
plt.show()
数据可视化后生成的图片如下图所示。其中横轴是肿块大小,纵轴是发现时间。每个病人的肿块大小和发病时间构成了二维平面特征中的一个点。对于每个点,我们通过label明确是恶性肿瘤(绿色)、良性肿瘤(红色)。
那么现在给出一个肿瘤患者的数据(样本点)x:[8.90933607318, 3.365731514],是良性肿瘤还是恶性肿瘤
求距离
我们要做的是:求点x到数据集中每个点的距离,首先计算距离,使用欧氏距离
from math import sqrt
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]
distances
输出:[5.611968000921151, 6.011747706769277, 7.565483059418645, 5.486753308891268, 6.647709180746875, 1.9872648870854204, 3.168477291709152, 0.8941051007010301, 0.9830754144862234, 2.7506238644678445]
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。
这里我们使用函数:np.argsort(array) 对一个数组进行排序,返回的是相应的排序后结果的索引
nearest = np.argsort(distances)
nearest
输出:array([7, 8, 5, 9, 6, 3, 0, 1, 4, 2])
结果的含义是:距离最小的点在distances数组中的索引是7,第二小的点索引是8... 近到远是哪些点
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 = 6topK_y = [y_train[i] for i in nearest[:k]]
topK_y
输出:[1, 1, 1, 1, 1, 0]
决策规则
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是什么。可以查不同类别的点有多少个。
将数组中的元素和元素出现的频次进行统计
from collections import Counter
votes = Counter(topK_y)
votes
输出:一个字典,原数组中值为0的个数为1,值为1的个数有为5Counter({0:1, 1:5})
# Counter.most_common(n) 找出票数最多的n个元素,返回的是一个列表,列表中的每个元素是一个元组,元组中第一个元素是对应的元素是谁,第二个元素是频次votes.most_common(1)
输出:[(1,5)]
predict_y = votes.most_common(1)[0][0]
predict_y
输出:1
得到预测的y值是1
自实现完整工程代码
我们已经在jupyter notebook中写好了kNN算法,下面我们在外部进行封装。
相关代码可以在 https://github.com/japsonzbz/ML_Algorithms 中看到
import numpy as npimport math as sqrtfrom collections import Counterclass 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):
当我们写完定义好自己的kNN代码之后,可以在jupyter notebook中使用魔法命令进行调用:
%run myAlgorithm/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])
现在我们就完成了一个sklearn风格的kNN算法,但是实际上,sklearn封装的算法比我们实现的要复杂得多。
sklearn中的kNN
sklearn的使用:
- 分类:KNeighborsClassifier.
回归:KNeighborsRegressor - KNeighborsClassifier构造参数:
1.n_neighbors:即KNN中的K值,默认5.
2.weights:用来确定邻居的权重。三种方式:uniform,distance,自定义
3.algorithm:规定计算邻居的方法。四种方式:auto,kd_tree,ball_tree,brute
4.leaf_size:代表构造KD树或球树的叶子数。默认30。 - KNeighborsClassifier功能函数:
fit(train_x,train_y):分类器训练
predict(test_x):用训练好的分类器进行预测。
代码
对于机器学习来说,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
我们之前说过,kNN算法没有模型,模型其实就是训练数据集,predict的过程就是求k近邻的过程。
我们使用sklearn中已经封装好的kNN库。你可以看到使用有多么简单。
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])
在kNN_classifier.fit(X_train, y_train)这行代码后其实会有一个输出
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
metric_params=None, n_jobs=1, n_neighbors=6, p=2,
weights='uniform')
参数
class
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform’, algorithm=’auto’, leaf_size=30, p=2, metric=’minkowski’, metric_params=None, n_jobs=None, **kwargs)
我们研究一下参数:
-
n_neighbors: int, 可选参数(默认为 5)。用于kneighbors查询的默认邻居的数量
-
weights(权重): str or callable(自定义类型), 可选参数(默认为 ‘uniform’)。用于预测的权重参数,可选参数如下:
-
uniform : 统一的权重. 在每一个邻居区域里的点的权重都是一样的。
-
distance : 权重点等于他们距离的倒数。
使用此函数,更近的邻居对于所预测的点的影响更大。 -
[callable] : 一个用户自定义的方法,此方法接收一个距离的数组,然后返回一个相同形状并且包含权重的数组。
-
algorithm(算法): {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, 可选参数(默认为 ‘auto’)。计算最近邻居用的算法:
-
ball_tree 使用算法BallTree
-
kd_tree 使用算法KDTree
-
brute 使用暴力搜索
-
auto 会基于传入fit方法的内容,选择最合适的算法。
注意 : 如果传入fit方法的输入是稀疏的,将会重载参数设置,直接使用暴力搜索。 -
leaf_size(叶子数量): int, 可选参数(默认为 30)。传入BallTree或者KDTree算法的叶子数量。此参数会影响构建、查询BallTree或者KDTree的速度,以及存储BallTree或者KDTree所需要的内存大小。此可选参数根据是否是问题所需选择性使用。
-
p: integer, 可选参数(默认为 2)。用于Minkowski metric(闵可夫斯基空间)的超参数。p = 1, 相当于使用曼哈顿距离,p = 2, 相当于使用欧几里得距离],对于任何 p ,使用的是闵可夫斯基空间。
-
metric(矩阵): string or callable, 默认为 ‘minkowski’。用于树的距离矩阵。默认为闵可夫斯基空间,如果和p=2一块使用相当于使用标准欧几里得矩阵. 所有可用的矩阵列表请查询 DistanceMetric 的文档。
-
metric_params(矩阵参数): dict, 可选参数(默认为 None)。给矩阵方法使用的其他的关键词参数。
-
n_jobs: int, 可选参数(默认为 1)。用于搜索邻居的,可并行运行的任务数量。如果为-1, 任务数量设置为CPU核的数量。不会影响fit
方法
对于****的方法: