机器学习之k最近邻分类

k最近邻分类

$k$最近邻（简称kNN，k-Nearest Neighbor）是Cover和Hart在1968年提出的一种简单的监督学习算法，可用于字符识别、文本分类、图像识别等领域。kNN的工作机制非常简单：给定测试样本，基于某种距离度量（如：欧式距离、曼哈顿距离等）找出训练集中与其最接近的$k$个训练样本，然后基于这$k$个“最近邻居”的信息来进行预测。对于分类任务，可以在$k$个最近邻居中选择出现次数最多的类别标签作为预测的结果；对于回归任务，可以使用$k$个最近邻居实际输出（目标值）的平均值作为预测的结果，当然也可以根据距离的远近进行加权平均，距离越近的样本权重值就越大。

Python实现基于K最近邻（K-Nearest Neighbors, KNN）的电影分类案例

在这个案例中，我们将使用K最近邻算法来对电影进行分类，例如将电影分为“喜剧”、“动作”、“爱情”等类别。我们将使用一个简化的电影数据集，其中包含电影的特征（如演员、导演、类型等）和对应的分类标签。

环境准备

确保安装了必要的库，如numpy, pandas, sklearn等。如果没有安装，可以通过pip安装：

pip install numpy pandas scikit-learn

数据准备

假设我们有一个CSV文件movies.csv，包含了电影的信息和它们的分类。

import pandas as pd

# 读取电影数据
movies_df = pd.read_csv('movies.csv')

# 查看数据前几行
print(movies_df.head())

# 假设我们有两个特征列 'feature1' 和 'feature2'，以及一个分类列 'category'
features = ['feature1', 'feature2']
target = 'category'

数据预处理

我们需要将数据集分为特征矩阵（X）和目标向量（y），并对数据进行适当的预处理，如归一化。

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 分割特征和目标
X = movies_df[features]
y = movies_df[target]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

模型训练

使用scikit-learn库中的KNN分类器进行模型训练。

from sklearn.neighbors import KNeighborsClassifier

# 初始化KNN分类器，设置邻居数k=5
knn = KNeighborsClassifier(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

模型评估

评估模型在测试集上的表现。

from sklearn.metrics import accuracy_score, classification_report

# 预测测试集
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 打印分类报告
print(classification_report(y_test, y_pred))

电影分类

现在我们可以使用训练好的模型对新的电影进行分类。

# 假设有一部新电影的特征
new_movie = [[...], [...]]  # 对应于'feature1'和'feature2'的特征值

# 对新电影进行分类
prediction = knn.predict(new_movie)
print("The predicted category for the new movie is:", prediction)

请注意，上述代码中的[...]表示具体的特征值，需要根据实际情况填写。同时，数据集的格式和特征名称也需要根据实际数据进行调整。

k值的选择和交叉检验

k值的选择对于kNN算法的结果有非常显著的影响。下面用李航博士的《统计学习方法》一书中的叙述，来对k值的选择加以说明。

如果选择较小的$k$值，就相当于用较小的邻域中的训练实例进行预测，“学习”的近似误差会减小，只有与输入实例较近（相似的）训练实例才会对预测结果起作用；但缺点是“学习”的估计误差会增大，预测结果会对近邻的实例点非常敏感，如果近邻的实例点刚好是噪声，预测就会出错。换句话说，$k$值的减小就意味着整体模型变得复杂，容易发生过拟合。

如果选择较大的$k$值，就相当于用较大的邻域中的训练实例进行预测，其优点是可以减少学习的估计误差，但缺点是学习的近似误差会增大。这时候，与输入实例较远（不相似的）训练实例也会对预测起作用，使预测发生错误。对于$k=N$的极端情况（其中$N$代表所有的训练实例的数量），那么无论输入实例是什么，都会预测它属于训练实例中最多的类，很显然，这样的模型完全忽略了训练实例中大量的有用信息，是不可取的。

实际应用中，$k$的取值通常都比较小，可以通过交叉检验的方式来选择较好的$k$值。

算法优缺点

优点：

1. 简单有效
2. 重新训练代价低
3. 适合类域交叉样本
4. 适合大样本分类

缺点：

1. 惰性学习
2. 输出的可解释性不强
3. 不擅长处理不均衡样本
4. 计算量比较大