作者:mobiledu2502862777 | 来源:互联网 | 2023-10-12 20:45
一、理论知识1、K近邻(k-NearestNeighbor,简称KNN)学习是一种常用的监督学习。工作机制:给定测试样本,基于某种距离度量找出训练集中与其最靠近的k个训练样本,然后
一、理论知识
1、K近邻(k-Nearest Neighbor,简称KNN)学习是一种常用的监督学习。
工作机制:给定测试样本,基于某种距离度量找出训练集中与其最靠近的k个训练样本,然后基于这k个的信息来进行预测。且通常使用“投票法”。
2、以电影类型举例,现在已知部分电影的属性和分类,想要预测未知电影的分类。
我们可以计算未知电影和其它电影的属性距离,这里直接采用几何距离(Euclidean Distance),即把每个属性化为不同维度的坐标,再利用距离公式
计算结束后,递增排序,可以找到k个最近的样本。因为要采用“投票法”,即满足少数服从多数原则,所以K的取值一般为奇数。这里假设k=3,则最靠近的3个都为爱情电影,所以判断未知电影为爱情电影。
3、KNN算法伪码描述:
(1) 计算已知类别数据集中的点与当前点之间的距离;
(2) 按照距离递增次序排序;
(3) 选取与当前点距离最小的k个点;
(4) 确定前k个点所在类别的出现频率;
(5) 返回前k个点出现频率最高的类别作为当前点的预测分类
4、优点:简单;易于理解;通过对K的选择可具备丢噪音数据的健壮性
缺点:(1)需要大量空间储存所有已知实例
(2)算法执行效率低(需要比较所有已知实例与要分类的实例)
(3)当其样本分布不平衡时,比如其中一类样本过大(实例数量过多)占主导的时候,新的未知实例容易被归类为这个主导样本,因为这类样本实例的数量过大,但这个新的未知实例并未接近目标样本。
缺点(3)的意思是,如图中的Y点,黑圈代表其k的取值,即黑圈内的点都是要进行投票的数据点。通过观察会发现Y显然与红点更近,然而因为紫色点在这个圈里数目更多,Y点就会被认为是紫色。对于这个缺点,通常我们用权重的方法改善,根据距离d改变权重,例如1/d,这样就能让离目标点近的数据点的权重更大一点,优化算法。
二、代码实现
调用sklearn库中KNN算法分析著名的iris数据
1 from sklearn import neighbors
2 from sklearn import datasets
3
4 knn = neighbors.KNeighborsClassifier()
5 iris = datasets.load_iris()
6
7 knn.fit(iris.data, iris.target) # 建立KNN模型,输入特征值和分类结果
8 predictedLabel = knn.predict([[6.3, 1.2, 5.2, 1.6]])
9
10 print("predictedLabel is :"+ str(predictedLabel))
有现成的库调用起来很方便,当然也可以自己写对应的算法,下面是KNN的算法。
1 def classify0(inX, dataSet, labels, k): # KNN算法
2 dataSetSize = dataSet.shape[0]
3 diffMat = tile(inX, (dataSetSize,1)) - dataSet #计算两个点的空间距离
4 sqDiffMat = diffMat**2
5 sqDistances = sqDiffMat.sum(axis=1)
6 distances = sqDistances**0.5
7 sortedDistIndicies = distances.argsort()
8 classCount={}
9 for i in range(k): #选择距离最小的k个点
10 voteIlabel = labels[sortedDistIndicies[i]]
11 classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
12 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) # 按照第二个元素进行从小到大排序,最后返回发生频率最高的标签
13 return sortedClassCount[0][0]
三、参考资料
《机器学习》—— 周志华
《机器学习实战》—— Peter Harrington
ps:本人初学者,有错误欢迎指出。感谢。