定义
如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)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
距离公式
两个样本的距离可以通过如下公式计算,又叫欧式距离
电影类型分析
假设我们有现在几部电影
其中? 号电影不知道类别,如何去预测?我们可以利用K近邻算法的思想
鸢尾花类型举例
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
def kn_demo():
# 获取数据集
iris=load_iris()
# 划分数据集
x_tarin,x_test,y_train,y_test=train_test_split(iris.data,iris.target,random_state=20)
# 标准化
transfer=StandardScaler()
x_tarin=transfer.fit_transform(x_tarin)
x_test=transfer.transform(x_test)
# kn算法
estimator=KNeighborsClassifier(n_neighbors=3)
estimator.fit(x_tarin,y_train)#开始训练
#KNN没有显示的训练过程,它是“懒惰学习”的代表,它在训练阶段只是把数据保存下来,训练时间开销为0,等收到测试样本后进行处理。
y_predict=estimator.predict(x_test)
print(y_predict)
print(y_test==y_predict)
能够输出预测值以及预测值和真实值是否相等
总结:
1、k值取多大?有什么影响?
k值取很小:容易受到异常点的影响
k值取很大:受到样本均衡的问题
2、性能问题?
距离计算上面,时间复杂度高
优点:
简单,易于理解,易于实现,无需训练
缺点:
懒惰算法,对测试样本分类时的计算量大,内存开销大
必须指定K值,K值选择不当则分类精度不能保证
使用场景:小数据场景,几千~几万样本,具体场景具体业务去测试
调优:
应用GridSearchCV实现算法参数的调优
什么是交叉验证
将拿到的训练数据,分为训练和验证集。以下图为例:将数据分成4份,其中一份作为验证集。然后经过4次(组)的测试,每次都更换不同的验证集。即得到4组模型的结果,取平均值作为最终结果。又称4折交叉验证。
我们之前知道数据分为训练集和测试集,但是为了让从训练得到模型结果更加准确。做以下处理
训练集:训练集+验证集
测试集:测试集
超参数搜索-网格搜索(Grid Search)
通常情况下,有很多参数是需要手动指定的(如k-近邻算法中的K值),这种叫超参数。但是手动过程繁杂,所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。
estimator:估计器对象
param_grid:估计器参数(dict){“n_neighbors”:[1,3,5]}
cv:指定几折交叉验证
fit:输入训练数据
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
# 使用模型调优
from sklearn.model_selection import GridSearchCV
def knn_demo_gscv():
# 获取数据集
iris = load_iris()
# 划分数据集
x_tarin, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=13)
# 标准化
transfer = StandardScaler()
x_tarin = transfer.fit_transform(x_tarin)
x_test = transfer.transform(x_test)
# kn算法
estimator = KNeighborsClassifier()
param={"n_neighbors":[1,3,5,7,9,11]}
estimator=GridSearchCV(estimator,param_grid=param,cv=10)
estimator.fit(x_tarin, y_train)
# KNN没有显示的训练过程,它是“懒惰学习”的代表,它在训练阶段只是把数据保存下来,训练时间开销为0,等收到测试样本后进行处理。
y_predict = estimator.predict(x_test)
print(y_predict)
print("最佳参数",estimator.best_params_)
print("最佳结果",estimator.best_score_)
print("准确率",estimator.score(x_test,y_test))
[1 1 0 2 2 0 2 2 0 1 2 1 1 0 2 0 2 2 1 0 1 0 0 2 1 2 0 2 1 2 2 0 0 2 2 1 0
1]
最佳参数 {'n_neighbors': 7}
最佳结果 0.9636363636363636
准确率 0.9736842105263158