knn学习笔记

#knn算法学习笔记

1.定义

    邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。俗话说：近朱者赤近墨者黑。。
   kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻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，并具有这个类别上样本的特性。
   用最近的邻居来代表自己，若你的邻居很脑残，那不好意思，the same to you

图片来自https://baike.baidu.com/item/%E9%82%BB%E8%BF%91%E7%AE%97%E6%B3%95/1151153?fr=aladdin 

K值若较小，这里取内圈，红色三角占2/3，则绿色的未知物被判断为红色三角；

K值若较大，这里取外圈，蓝色方块占3/5，则绿色未知物被判断为蓝色方块。

 
2.适用范围
   一般来说这算法适用于比较小的数据集进行分类或者回归在，适用于小样本
 
3.基本要素
3.1 k选择问题
      k值的选择会对结果有很大的影响。如果选择较小的k值，相当于用较小的邻域中训练实例进行预测，近似误差会变小，只有与输入实例较近的训练实例才会对预测结果起作用。k值较小意味着整体模型算法变得复杂了，容易发生过拟合。如果k值过大的话，相当于模型算法变得简单，可能会到欠拟合。在实际使用中，k值一般取一个较小的数组，然后通过交叉验证的方法选择最优的k值。就是你选择几个邻居问题，你是选择哪几个能代表你呢。。尽量选择的人少一些，但是他们身上能够多一点你的特性。
 
note：
knn为k近邻算法，需要解决的一个问题是选择合适的k值，k值过小或过大都会影响模型的准确性，一般考虑将k值设为3~10，或是将k值设为训练集样本数量的平方根。还有一种选择k值的方法是结合训练集和测试集，循环k值，直到挑选出使测试集的误差率最小的k值
> for(i in 1:round(sqrt(dim(train)[1]))) {
+   pre_result <- knn(train=train,test=test,cl=train_lab,k=i)
+   Freq <- table(pre_result,test_lab)
+   print(1-sum(diag(Freq))/sum(Freq)) #误差率
+ }
[1] 0.08219178
[1] 0.06849315
[1] 0.08219178
[1] 0.06849315
[1] 0.05479452
[1] 0.06849315
[1] 0.05479452
[1] 0.09589041
[1] 0.04109589

一般来说就是找误差率最小的k

3.2 距离问题
      空间中两个实例点的距离反应两个实例点的相似程度。k近邻算法的特征空间一般是n维向量空间，使用的是距离度量方式为欧氏距离，欧氏距离我们高中就学过。当然也可以使用其他距离度量方式。欧式距离就是中学学习的点到点的距离，这个应用居多。还有一些比如：曼哈顿距离，马氏距离，绝对距离，Hammi汉明距离，夹角的余弦。。。等
 
3.3 分类决策规则
      k-nn中的分类决策规则往往是多数表决，即输入实例的k个近邻的训练实例中的多数类决定输入实例的类。（少数服从多数）
总之，分类的原理很简单。
 
4 代码的实现过程

 以UCI数据库中的鸢尾花数据集举例，UCI地址：http://archive.ics.uci.edu/ml/index.php，不过iris是R自带的数据集，可以直接加载使用。

4.1 包

      R中有许多包都可以实现knn算法，以下以class包、DMwR包和kknn包为例进行说明。

4.2 class包中的knn函数

主要步骤：

knn()函数的语法和参数如下：
knn(train, test, cl, k = 1, l = 0, prob = FALSE, use.all = TRUE)
train：指定训练样本集
test ：指定测试样本集
cl ：指定训练样本集中的分类变量
k ：指定最邻近的k个已知分类样本点，默认为1
l ：指定待判样本点属于某类的最少已知分类样本数，默认为0
prob：设为TRUE时，可以得到待判样本点属于某类的概率，默认为FALSE
use.all：控制节点的处理办法，即如果有多个第K近的点与待判样本点的距离相等，默认情况下将这些点都纳入判别样本点，当该参数设为FALSE时，则随机挑选一个样本点作为第K近的判别点
> # z-score数据标准化
> iris_scale <- scale(iris[-5]) 
> train <- iris_scale[c(1:25,50:75,100:125),] #训练集
> test <- iris_scale[c(26:49,76:99,126:150),] #测试集
> train_lab <- iris[c(1:25,50:75,100:125),5]
> test_lab <- iris[c(26:49,76:99,126:150),5]
> pre <- knn(train=train,test=test,cl=train_lab,k=round(sqrt(dim(train)[1])),prob = F)  
> table(pre,test_lab)
            test_lab
  pre          setosa versicolor virginica
  setosa         24          0         0
  versicolor      0         24         3
  virginica       0          0        22

4.3 DMwR包中的Knn

KNN()函数的语法和参数如下：
kNN(form, train, test, norm = T, norm.stats = NULL, ...)
form：分类模型
train：指定训练样本集
test：指定测试样本集
norm：布尔值，指示是否在KNN预测前将数据标准化，默认为TRUE
norm.stats：默认FALSE，采用scale()进行标准化，也可提供其他标准化方法（标准化方法很多的，scale只是其中一种）
> train<-iris[c(1:25,50:75,100:125),] #训练集
> test<-iris[c(26:49,76:99,126:150),] #测试集
> pre2 <- kNN(Species~.,train,test,norm=T,k=round(sqrt(dim(train)[1])))
> table(pre2,test$Species)
            
pre2         setosa versicolor virginica
  setosa         24          0         0
  versicolor      0         24         3
  virginica       0          0        22

4.4 kknn包中的kknn

kknn()函数的语法和参数如下：
kknn(formula = formula(train),train, test, na.action = na.omit(), k= 7, distance = 2, kernel = "optimal", ykernel = NULL, scale=TRUE, contrasts= c('unordered' = "contr.dummy", ordered ="contr.ordinal"))
formula一个回归模型:分类变量~特征变量；
train指定训练样本集；
test指定测试样本集；
na.action缺失值处理，默认为去掉缺失值；
k近邻数值选择，默认为7；
distance闵可夫斯基距离参数，p=2时为欧氏距离；
其他参数略，详情可以查询kknn包的说明

> train<-iris[c(1:25,50:75,100:125),] #训练集
> test<-iris[c(26:49,76:99,126:150),] #测试集
> # 调用kknn
> pre3 <- kknn(Species~., train, test, distance = 1, kernel = "triangular")
> # 获取fitted.values
> fit <- fitted(pre3)  
> table(fit,test$Species)
            
fit          setosa versicolor virginica
  setosa         24          0         0
  versicolor      0         22         4
  virginica       0          2        21

其实knn实现过程，每个包里面的knn函数差别不太大，参数的设置的时候有一定的差别，这可能是，写包的人的语言风格不太一样吧

Reference：
【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/gaowenxingxing/p/11829424.html