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。
knn是一种非常古老而且简单的分类方法
欧式距离
a(a1,a2,a3),b(b1,b2,b3) 两点的欧式距离是
因为计算的特征值的平方,所以计算前需要先进行特征处理
sklearn k-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
处理流程
1、数据集的处理
2、分割数据集
3、对数据集进行标准化
4、estimator流程进行分类预测
存在的问题
k值取多大?有什么影响?
- k值取很小:容易受异常点影响
- k值取很大:容易受最近数据太多导致比例变化
优缺点
- 优点:简单,易于理解,易于实现,无需估计参数,无需训练
- 缺点:
- 懒惰算法,对测试样本分类时的计算量大,内存开销大
- 必须指定K值,K值选择不当则分类精度不能保证
交叉验证与网格搜索
定义
交叉验证:将拿到的数据,分为训练和验证集。以下图为例:将数据分成5份,其中一份作为验证集。然后经过5次(组)的测试,每次都更换不同
的验证集。即得到5组模型的结果,取平均值作为最终结果。又称5折交叉验证。
网格搜索:通常情况下,有很多参数是需要手动指定的(如k-近邻算法中的K值),这种叫超参数。但是手动过程繁杂,所以需要对模型预设几种超参数组
合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。
API
sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)
-
estimator:估计器对象
-
param_grid:估计器参数(dict){“n_neighbors”:[1,3,5]}
-
cv:指定几折交叉验证
-
fit:输入训练数据
-
score:准确率
结果分析: -
best_score_:在交叉验证中测试的最好结果
-
best_estimator_:最好的参数模型
-
cv_results_:每次交叉验证后的测试集准确率结果和训练集准确率结果