机器学习【一】K最近邻算法

K最近邻算法 KNN

基本原理

离哪个类近，就属于该类

【例如：与下方新元素距离最近的三个点中，2个深色，所以新元素分类为深色】

K的含义就是最近邻的个数。在sklearn中，KNN的K值是通过n_neighbors参数来调节的

不适用：对数据集认真的预处理、对规模超大的数据集拟合的时间较长、对高维数据集拟合欠佳、对稀疏数据集无能为力

KNN用法

1.分类任务中的应用

from sklearn.datasets import make_blobs #导入数据集生成器
from sklearn.neighbors import KNeighborsClassifier #导入KNN分类器
import matplotlib.pyplot as plt #导入画图工具
from sklearn.model_selection import train_test_split #导入数据集拆分工具
data = make_blobs(n_samples=200, centers = 2,random_state = 8) #生成样本数为200，分类为2的数据
X ,y = data #将生成的数据可视化
plt.scatter(X[:,0],X[:,1],c=y,cmap=plt.cm.spring,edgecolor='k')
plt.show()

接下来用KNN拟合这些数据：

import numpy as np
clf = KNeighborsClassifier()
clf.fit(X,y)

#以下代码用于画图
x_min,x_max = X[:,0].min() -1,X[:,0].max() + 1
y_min,y_max = X[:,1].min() -1,X[:,1].max() + 1
xx,yy = np.meshgrid(np.arange(x_min,x_max, .02),np.arange(y_min,y_max, .02))
Z = clf.predict(np.c_[xx.ravel(),yy.ravel()])
Z = Z.reshape(xx.shape)
plt.pcolormesh(xx,yy,Z,cmap=plt.cm.Pastel1)
plt.scatter(X[:, 0],X[:, 1],c = y,cmap = plt.cm.spring, edgecolor = 'k')
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
plt.title("Classifier:KNN")

plt.show()

如果有新的数据输入的话，模型就会自动将新的数据分到对应的类中

举例：

一个数据点，两个特征值是6.75，4.82，试验如下：

在上述代码的plt.show()之前加入：

plt.scatter(6.75,4.82,marker='*',c='red',s=200)

可见，分到了浅灰色一类

验证代码如下：

2.处理多元分类任务

生成数据集：

#生成样本数500，分类数5的数据集
data2 = make_blobs(n_samples=500, centers = 5,random_state = 8)
X2,y2 = data2
#用散点图将数据可视化
plt.scatter(X2[:,0],X2[:,1],c = y2,cmap = plt.cm.spring,edgecolor='k')
plt.show()

用KNN建立模型拟合数据：

clf = KNeighborsClassifier()
clf.fit(X2,y2)
x_min,x_max = X2[:,0].min() -1,X2[:,0].max() + 1
y_min,y_max = X2[:,1].min() -1,X2[:,1].max() + 1
xx,yy = np.meshgrid(np.arange(x_min,x_max, .02),np.arange(y_min,y_max, .02))
Z = clf.predict(np.c_[xx.ravel(),yy.ravel()])
Z = Z.reshape(xx.shape)
plt.pcolormesh(xx,yy,Z,cmap=plt.cm.Pastel1)
plt.scatter(X2[:, 0],X2[:, 1],c = y2,cmap = plt.cm.spring, edgecolor = 'k')
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
plt.title("Classifier:KNN")
plt.show()

但仍然有小部分数据进入错误的分类

3.用于回归分析

make_regression函数，一个非常好的用于回归分析的数据集生成器

#导入数据集生成器
from sklearn.datasets import make_regression
#生成特征数量为1，噪音为50的数据集
X,y = make_regression(n_features=1,n_informative=1,noise=50,random_state=8)
#用散点图将数据点可视化
plt.scatter(X,y,c='orange',edgecolor='k')
plt.show()

如上，横轴代表样本特征的数值，范围大概在-3~3；

纵轴代表样本的测定值，范围在-250~250

使用KNN进行回归分析：

#导入用于回归分析的KNN模型
from sklearn.neighbors import KNeighborsRegressor
reg = KNeighborsRegressor()
#利用KNN模型拟合数据
reg.fit(X,y)
#把预测结果可视化
z = np.linspace(-3,3,200).reshape(-1,1)
plt.scatter(X,y,c='orange',edgecolor='k')
plt.plot(z,reg.predict(z),c='k',linewidth=3)
#添加标题
plt.title("KNN REGRESSOR")
plt.show()

上图，黑线就是KNN拟合make_regression生成数据所进行的模型

直观看，拟合度不太好

KNN模型得分：

为了提高模型的分数，对近邻数进行调整：

#减少模型的n_neigghbors参数为2
from sklearn.neighbors import KNeighborsRegressor
reg = KNeighborsRegressor(n_neighbors=2)
#利用KNN模型拟合数据
reg.fit(X,y)
#把预测结果可视化
z = np.linspace(-3,3,200).reshape(-1,1)
plt.scatter(X,y,c='orange',edgecolor='k')
plt.plot(z,reg.predict(z),c='k',linewidth=3)
#添加标题
plt.title("KNN REGRESSOR：n_neighbors=2")
plt.show()

KNN实战——酒的分类

使用load_wine函数载入的酒数据集，是一种Bunch对象，包括键【keys】和数值【values】

检查酒的数据集有哪些键：

from sklearn.datasets import load_wine
#载入数据集
wine_dataset = load_wine()
#打印数据集中的键
print(wine_dataset.keys())
#打印数据集中的数值，详见博客--机器学习入门
#print(wine_dataset.values())

数据集中有多少样本【samples】变量【features】:

可以使用.shape语句告诉我们大概的数据轮廓

from sklearn.datasets import load_wine
#载入数据集
wine_dataset = load_wine()
#打印数据集中有多少样本和变量
print(wine_dataset['data'].shape)

即有178个样本，13个特征变量

#查看更细节的信息
print(wine_dataset['DESCR'])

生成训练数据集和测试数据集

sklearn中，有一个 train_test_split 函数，用来帮助用户把数据集拆分的工具

原理：

将数据集随机排列，默认情况下，将75%的数据及对应的标签划到训练数据集，将25%的数据和对应的标签划归到测试数据集

一般用大写的X表示数据特征，小写的y表示数据对应的标签

因为X是一个二维数组，也称为矩阵，y是一个一维数组，或者说是一个向量

上述，train_test_split 函数生成一个伪随机数，并根据这个伪随机数对数据集拆分

相同的 random_state 参数，会一直生成同样的伪随机数，但当这个值我们设为0的时候，或者保持缺省的时候，每次生成的伪随机数均不同

#导入数据集拆分工具
from sklearn.model_selection import train_test_split
#将数据集拆分为训练+ 测试集
X_train,X_test,y_train,y_test = train_test_split(wine_dataset['data'],wine_dataset['target'],random_state=0)
#训练集中特征向量的形态
print(X_train.shape)
#测试集中特征向量的形态
print(X_test.shape)
#训练集中目标的形态
print(y_train.shape)
#测试集中目标的形态
print(y_test.shape)

使用KNN建模

#导入KNN分类模型
from sklearn.neighbors import KNeighborsClassifier
#指定模型的n_neighbors参数值为1
knn = KNeighborsClassifier(n_neighbors=1)
#使用模型对数据拟合
knn.fit(X_train,y_train)
print(knn)

# knn的拟合方法，把自身作为结果返回，从结果中可以看到模型的全部参数设定【除了n_neighbors=1，其余默认即可】

KNN根据训练集建立模型，在训练数据集中寻找和新输入的数据最近的数据点，然后把这个数据点的标签，分给新的数据点

代码详细解释：

机器学习模块，都是在固定的类中运行的

而KNN是在neighbors模块的KNeighborsClassifier类中运行

从一个类中创建对象的时候，需要给模型一个参数，对于KNeighborsClassifier类最关键的参数就是近邻的数量，也就是n_neighbors

knn则是在该类中创建的一个对象

该对象中，有一个“拟合”的方法——> fit 【用此建模】

建模的依据就是训练集中的样本数据X_train和对应的标签y_train

使用模型对新样本的分类进行预测

print(knn.score(X_test,y_test))

测试集的得分：

0.7555555555555555

对新酒进行分类预测：

import numpy as np
#输入新的数据点
X_new = np.array([[13.2,2.77,2.51,18.5,96.6,1.04,2.55,0.57,1.47,6.2,1.05,3.33,820]])
#使用.predict预测
pre = knn.predict(X_new)
print(wine_dataset['target_names'][pre])

['class_2']

KNN不适用：

需要提前对数据集认真的预处理、对规模超大的数据集拟合的时间较长、对高维数据集拟合欠佳、对稀疏数据集无能为力

在高维数据集中表现良好的算法：广义线性模型