K-近邻算法
估计器的工作流程
分类算法的依据是: 是对离散型变量
进行处理
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
来源: KNN算法最早是由Cover和Hart提出的一种分类算法
利用欧式距离求近邻距离:
举例:
原理: 相似的样本特征之间的值应该都是相近的。
结合我们之间讲的约会数据例子,在计算两个样本数据的举例特征有什么影响? 需要对数据做些什么?
- K-近邻算法需要做标准化处理
K = 1,3,5,6 这里是最后选几组数据来判断结果
code:
def knncls():
'''K近邻预测用户签到'''
# 读取数据
data = pd.read_csv("/Users/guosihan/Desktop/ml/train.csv")
# print(data.head(10))
# 处理数据
# 1.缩小数据的范围 条件方法 查询、筛选数据
data = data.query("x > 1.0 & x < 1.2 & y > 2.5 & y < 2.75")
# 处理时间数据
time_value = pd.to_datetime(data['time'],unit = 's')
# print(time_value)
# 把日期格式转换成字典格式
time_value = pd.DatetimeIndex(time_value)
# 构造一些特征
data["day"] = time_value.day
data["hour"] = time_value.hour
data["weekday"] = time_value.weekday
# 把时间戳特征删除
data = data.drop(["time"],axis = 1) # 1 表示 列
# print(data)
# 把签到数量少于3个的目标位置删除
place_count = data.groupby('place_id').count()
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
# 取出数据当中的特征值和目标值
y = data['place_id']
x = data.drop(['place_id'],axis = 1)
# 进行数据的分割训练集合测试集
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
# 特征工程(标准化)
std = StandardScaler()
# 要对测试集合训练集特征值进行标准化
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
# 进行算法流程 # 超参数
knn = KNeighborsClassifier(n_neighbors=5) # 这里是K值
# fit,predict,score
knn.fit(x_train,y_train)
# 得出预测结果
y_predict = knn.predict(x_test)
print("预测的目标签到位置:",y_predict)
# 得出准确率
print("预测的准确率:",knn.score(x_test,y_test))
return None
if __name__ == "__main__":
knncls()
输出:
预测的目标签到位置: [3312463746 4932578245 1097200869 ... 1812226671 2355236719 1097200869]
预测的准确率: 0.4153846153846154
注 : 如果不进行标准化 预测准确率只有0.04 所以标准化是必须的
k值取多大,有什么影响
k取值很小时: 容易受异常点影响
k取值很大时:容易受k值数量(类别)波动