KNN算法

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：