k近邻法 (k-nearest neighbor, k-NN)
- Cover与Hart
- 1968年提出 k k k近邻法
- Abstract
- 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类别,通过多数表决等方式进行预测
-
k
k
k近邻算法 (k-nearest neighbor algorithm)
- 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),\cdots,(x_N,y_N)\} T={(x1,y1),(x2,y2),⋯,(xN,yN)}
- x i ∈ X ⊆ R n x_i\in X \rm\subseteq R^n xi∈X⊆Rn, i = 1 , 2 , ⋯ , N i=1,2,\cdots,N i=1,2,⋯,N, 为实例的特征向量
- y i ∈ Y = { c 1 , c 2 , ⋯ , c K } y_i\in Y\rm =\{c_1,c_2,\cdots,c_K\} yi∈Y={c1,c2,⋯,cK}, 为实例的类别
- (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的邻域记作 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决定
x
x
x的类别
y
y
y, (多数表决)
- y = a r g max c j ∑ x i ∈ N k ( x ) I ( y i = c j ) y=arg\max\limits_{c_j}\sum\limits_{x_i\in N_k(x)}I(y_i=c_j) y=argcjmaxxi∈Nk(x)∑I(yi=cj)
- i = 1 , 2 , ⋯ , N i=1,2,\cdots,N i=1,2,⋯,N, j = 1 , 2 , ⋯ , K j=1,2,\cdots,K j=1,2,⋯,K
-
I
I
I为指示函数
- 当 y i = c j y_i=c_j yi=cj时 I I I为1
- 当 y i ≠ c j y_i\not=c_j yi=cj时 I I I为0
- 最近邻算法
- k k k近邻法的特殊情况是 k = 1 k=1 k=1
- 最近邻算法将训练数据集中与 x x x最邻近的类作为 x x x的类
- 训练数据集
-
k
k
k近邻模型
- 模型由三个基本要素构成
- 距离度量
- k k k值得选择
- 分类决策规则
- 距离度量
- 设特征空间$ X
是
是
是n
维
实
数
向
量
空
间
维实数向量空间
维实数向量空间R^n$,
x
i
,
x
j
∈
X
x_i,x_j\in X
xi,xj∈X
- x i = ( x i ( 1 ) , x i ( 2 ) , ⋯ , x i ( n ) ) T x_i=(x_i^{(1)},x_i^{(2)},\cdots,x_i^{(n)})^T xi=(xi(1),xi(2),⋯,xi(n))T
- x j = ( x j ( 1 ) , x j ( 2 ) , ⋯ , x j ( n ) ) T x_j=(x_j^{(1)},x_j^{(2)},\cdots,x_j^{(n)})^T xj=(xj(1),xj(2),⋯,xj(n))T
-
x
i
,
x
j
x_i,x_j
xi,xj的
L
p
L_p
Lp距离定义为
- L p ( x i , x j ) = ( ∑ l = 1 n ∣ x i ( l ) − x j ( l ) ∣ p ) 1 p L_p(x_i,x_j)=(\sum\limits_{l=1}^n|x_i^{(l)}-x_j^{(l)}|^p)^{\frac{1}{p}} Lp(xi,xj)=(l=1∑n∣xi(l)−xj(l)∣p)p1
- 欧氏距离(Euclidean distance)
- 当
p
=
2
p=2
p=2
- L 2 ( x i , x j ) = ( ∑ l = 1 n ∣ x i ( l ) − x j ( l ) ∣ 2 ) 1 2 L_2(x_i,x_j)=(\sum\limits_{l=1}^n|x_i^{(l)}-x_j^{(l)}|^2)^{\frac{1}{2}} L2(xi,xj)=(l=1∑n∣xi(l)−xj(l)∣2)21
- 当
p
=
2
p=2
p=2
- 曼哈顿距离(Manhattan distance)
- 当
p
=
1
p=1
p=1
- L 1 ( x i , x j ) = ∑ l = 1 n ∣ x i ( l ) − x j ( l ) ∣ L_1(x_i,x_j)=\sum\limits_{l=1}^n|x_i^{(l)}-x_j^{(l)}| L1(xi,xj)=l=1∑n∣xi(l)−xj(l)∣
- 当
p
=
1
p=1
p=1
- 各个坐标距离的最大值
- 当
p
=
+
∞
p=+\infty
p=+∞
- L ∞ ( x i , x j ) = max l ∣ x i ( l ) − x j ( l ) ∣ L_{\infty}(x_i,x_j)=\max\limits_l|x_i^{(l)}-x_j^{(l)}| L∞(xi,xj)=lmax∣xi(l)−xj(l)∣
- 当
p
=
+
∞
p=+\infty
p=+∞
- 设特征空间$ X
是
是
是n
维
实
数
向
量
空
间
维实数向量空间
维实数向量空间R^n$,
x
i
,
x
j
∈
X
x_i,x_j\in X
xi,xj∈X
-
k
k
k值得选择
- k k k值的减小就意味着整体模型变得复杂,容易发生过拟合
- k k k值的增大就意味着整体模型变得简单
- k k k值一般取一个比较小的数值,采用交叉验证法来选取最优的 k k k值
- 分类决策规则
- 多数表决规则(majority voting rule)
- 如果分类的损失函数为
0
−
1
0-1
0−1损失函数
- 分类函数为
- f : R n → { c 1 , c 2 , ⋯ , c K } f:R^n\rightarrow\{c_1,c_2,\cdots,c_K\} f:Rn→{c1,c2,⋯,cK}
- 误分类的概率为
- P ( Y ≠ f ( X ) ) = 1 − P ( Y = f ( X ) ) P(Y\not=f(X))=1-P(Y=f(X)) P(Y=f(X))=1−P(Y=f(X))
- 分类函数为
- 对给定实例
x
∈
X
x\in X
x∈X,其最近邻的
k
k
k个训练实例点构成集合
N
k
(
x
)
N_k(x)
Nk(x),如果涵盖
N
k
(
x
)
N_k(x)
Nk(x)的区域的类别是
c
j
c_j
cj
- 误分类率为
- 1 k ∑ x i ∈ N k ( x ) I ( y i ≠ c j ) = 1 − 1 k ∑ x i ∈ N k ( x ) I ( y i = c j ) \frac{1}{k}\sum\limits_{x_i\in N_k(x)}I(y_i\not=c_j)=1-\frac{1}{k}\sum\limits_{x_i\in N_k(x)}I(y_i=c_j) k1xi∈Nk(x)∑I(yi=cj)=1−k1xi∈Nk(x)∑I(yi=cj)
- 误分类率为
- 要使误分类率最小即经验风险最小,就要使
∑
x
i
∈
N
k
(
x
)
I
(
y
i
=
c
j
)
\sum\limits_{x_i\in N_k(x)}I(y_i=c_j)
xi∈Nk(x)∑I(yi=cj)最大
- 多数表决规则等价于经验风险最小化
- 如果分类的损失函数为
0
−
1
0-1
0−1损失函数
- 多数表决规则(majority voting rule)
-
k
d
kd
kd树 (
k
d
kd
kd tree)
- 使用特殊结构存储训练数据,以减少计算距离的次数
- k d kd 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数据结构, k d kd kd树是二叉树,表示对 k k k维空间的一个划分(partition)
- 平衡
k
d
kd
kd树
-
k
k
k维空间数据集
T
=
{
x
1
,
x
2
,
⋯
,
x
N
}
T=\{x_1,x_2,\cdots,x_N\}
T={x1,x2,⋯,xN}
- x i = ( x i ( 1 ) , x i ( 2 ) , ⋯ , x i ( k ) ) T x_i=(x_i^{(1)},x_i^{(2)},\cdots,x_i^{(k)})^T xi=(xi(1),xi(2),⋯,xi(k))T, i = 1 , 2 , ⋯ , N i=1,2,\cdots,N i=1,2,⋯,N
- (1) 构造根结点,根结点对应于包含T的k维空间的超矩形区域
- 选择 x ( 1 ) x^{(1)} x(1)为坐标轴,以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,右子结点
- 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) 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(mod k)+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,右子结点
- 左子结点对应坐标 x ( l ) x^{(l)} x(l)小于切分点的子区域
- 右子结点对应坐标 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
-
k
k
k维空间数据集
T
=
{
x
1
,
x
2
,
⋯
,
x
N
}
T=\{x_1,x_2,\cdots,x_N\}
T={x1,x2,⋯,xN}
- 搜索
k
d
kd
kd树
-
k
d
kd
kd树的最近邻搜索
- (1) 在
k
d
kd
kd树中找出包含目标点x的叶结点
- 从根结点出发,递归地向下访问 k d kd 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
- 具体地,检查另一子结点对应的区域是否与以目标点为球心,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目标点更近的点
- 移动到另一个子结点,递归地进行最近邻搜索
- 如果不相交则向上回退
- 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
- (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
- (4)当回退到根结点时,搜索结束
- 最后的"当前最近点"即为 x x x的最近邻点
- (1) 在
k
d
kd
kd树中找出包含目标点x的叶结点
-
k
d
kd
kd树的最近邻搜索
- 模型由三个基本要素构成
参考书籍
- 统计学习方法