K近邻（KNN）算法简介
KNN是通过测量不同特征值之间的距离进行分类。它的思路是：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，其中K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
下面通过一个简单的例子说明一下：如下图，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。
由此也说明了KNN算法的结果很大程度取决于K的选择。
在KNN中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离一般使用欧氏距离或曼哈顿距离：
L1是曼哈顿距离：顾名思义，在曼哈顿街区要从一个十字路口开车到另一个十字路口，驾驶距离显然不是两点间的直线距离。这个实际驾驶距离就是“曼哈顿距离”。曼哈顿距离也称为“城市街区距离”(City Block distance)。
L2是我们的欧氏距离：欧氏距离是最容易直观理解的距离度量方法，我们小学、初中和高中接触到的两个点在空间中的距离一般都是指欧氏距离。
我们一般都常用欧氏距离。
同时，KNN通过依据k个对象中占优的类别进行决策，而不是单一的对象类别决策。这两点就是KNN算法的优势。
接下来对KNN算法的思想总结一下：就是在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。
其算法的描述为：
1）计算测试数据与各个训练数据之间的距离；
2）按照距离的递增关系进行排序；
3）选取距离最小的K个点；
4）确定前K个点所在类别的出现频率；
5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。
概述：
KNN 算法本身简单有效，它是一种 lazy-learning 算法。
分类器不需要使用训练集进行训练，训练时间复杂度为0。
KNN 分类的计算复杂度和训练集中的文档数目成正比，也就是说，如果训练集中文档总数为n，那么KNN 的分类时间复杂度为O(n)。
总结：
K 值的选择，距离度量和分类决策规则是该算法的三个基本要素
问题：该算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，
该样本的K 个邻居中大容量类的样本占多数。
解决：不同的样本给予不同权重项。
另外，KNN算法的超参数只有K一个，如果有其他超参数，该怎么确定呢？事实上，模型的好坏跟参数的设定有很大的关系，当我们需要调整参数时，最常用的额方式就是交叉验证。
1.选取超参数的正确方法是：将原始训练集分为训练集和验证集，我们在验证集上尝试不同的超参数，最后保留表现 最好那个 2.如果训练数据量不够，使用交叉验证方法，它能帮助我们在选取最优超参数的时候减少噪音。 3.一旦找到最优的超参数，就让算法以该参数在测试集跑且只跑一次，并根据测试结果评价算法。
另外，KNN实现的时候注意点：
1.预处理你的数据：对你数据中的特征进行归一化（normalize），让其具有零平均值（zero mean）和单位方差（unit variance）。
2.如果数据是高维数据，考虑使用降维方法，比如PCA
3.将数据随机分入训练集和验证集。按照一般规律，70%-90% 数据作为训练集
4.在验证集上调优，尝试足够多的k值，尝试L1和L2两种范数计算方式。
Python实现
# -*- coding: utf-8 -*- """ @Datetime: 2018/11/23 @Author: Zhang Yafei """ import numpy as np import pandas as pd from sklearn.preprocessing import StandardScaler def maxminNormalization(data): """标准化 data = (data - data.mean) / data.std :return data """ mean_vals = data.mean(axis=0) std_val = data.std(axis=0) data = (data - mean_vals) / std_val return data class KNN(): def __init__(self,k=1): self.k = k def fit(self,x_train,y_train): self.x_train = x_train self.y_train = y_train def predict(self,x_test): dis_squar = (x_train - x_test)**2 dis_squar_sum = dis_squar.sum(axis=1) distances = dis_squar_sum**0.5 sortedIndics = distances.argsort() indices = sortedIndics[:self.k] labelCount = {} # 存储每个label的出现次数 for i in indices: label = self.y_train[i] labelCount[label] = labelCount.get(label, 0) + 1 # 次数加一 # 排序方式一 # sortedCount = list(zip(labelCount.values(),labelCount.keys())) # 对label出现的次数从大到小进行排序 # sortedCount.sort() # return sortedCount[0][1] # 返回出现次数最大的label # 排序方式二 sortedCount = sorted(labelCount.items(), key=lambda k:k[1], reverse=True) return sortedCount[0][0] # 返回出现次数最大的label if __name__ == '__main__': # data = np.arange(24).reshape(4,6) train = pd.DataFrame({'age':[23,33,45],'income':[5000,12000,13000],'work':[1,2,3]}) test = pd.DataFrame({'age':[22,30,40],'income':[9000,13000,14000],'work':[2,1,2]}) x_train = maxminNormalization(train[['age','work']]) y_train = train['income'] x_test = maxminNormalization(test[['age','work']]) y_test = test['income'] knn = KNN() knn.fit(x_train,y_train) y_predict = knn.predict(x_test) print(y_predict)
from sklearn.datasets import load_iris,fetch_20newsgroups,load_boston from sklearn.model_selection import train_test_split,GridSearchCV from sklearn.neighbors import KNeighborsClassifier from sklearn.preprocessing import StandardScaler import pandas as pd from sklearn.metrics import classification_report def knncls(): """ k-近邻预测用户签到位置 :return None """ #读取数据 data = pd.read_csv('./data/FBlocation/train.csv') print(data.head(10)) #处理数据 #1.缩小数据,查询数据筛选 data = data.query('x>1.0 & x<1.25 & y>2.5 & y<2.75') #处理时间的数据 time_value = pd.to_datetime(data.time,unit='s') print(time_value) #把日期格式转化为字典参数 time_value = pd.DatetimeIndex(time_value) #构造一些特征 data.loc[:,'day'] = time_value.day data.loc[:,'hour'] = time_value.hour data.loc[:,'weekday'] = time_value.weekday #时间戳特征删除 data.drop(['time'],axis=1) print(data) #把签到数量少于n个目标位置删除 place_count = data.groupby('place_id').aggregate(np.count_nonzero) tf = place_count[place_count.row_id > 3].reset_index() data = data[data['place_id'].isin(tf.place_id)] # 2.4 清理无效特征 data = data.drop(['row_id'], axis=1) data = data.drop(['accuracy'], axis=1) #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 训练集和测试集 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() #对训练集和测试机的特征值进行标准化 x_train = std.fit_transform(x_train) x_test = std.fit_transform(x_test) #特征工程('标准化‘) #进行算法流程 #超参数 knn = KNeighborsClassifier() # # fit,perdict,score # knn.fit(x_train,y_train) # # #得到预测结果 # y_predict = knn.predict(x_test) # print('预测的目标签到位置为：',y_predict) # # #得到准确率 # print('预测的准确率：',knn.score(x_test,y_test)) #构造一些参数的值进行搜索 param = {'n_neighbors':[3,5,10]} gc = GridSearchCV(knn,param_grid=param,cv=2) gc.fit(x_train,y_train) #预测准确率 print('在测试集上的准确率：',gc.score(x_test,y_test)) print('在交叉验证中最好的结果:',gc.best_score_) print('选择最好的模型是：',gc.best_estimator_) print('每个超参数每次交叉验证的结果：',gc.cv_results_) return None def knncls_iris(): li = load_iris() x_train,x_test,y_train,y_test = train_test_split(li.data,li.target,test_size=0.25) """ knn = KNeighborsClassifier(n_neighbors=5) knn.fit(x_train,y_train) y_predict = knn.predict(x_test) print('鸢尾花种类预测值为：',y_predict) print('准确率为：',knn.score(x_test,y_test)) print('每个分类的精确率和召回率是：',classification_report(y_test,y_predict,target_names=li.target_names)) """ #模型选择与调优 knn = KNeighborsClassifier() param = {'n_neighbors':[3,5,10]} gc = GridSearchCV(knn,param_grid=param,cv=10) gc.fit(x_train,y_train) print('在测试集中的准确率：',gc.score(x_test,y_test)) print('在交叉验证中的最好的结果：',gc.best_score_) print('最好的模型是：',gc.best_estimator_) print('每个超参数每次交叉验证的结果：',gc.cv_results_) if __name__ == '__main__': # knncls() knncls_iris()
KNN算法是一个经典的机器学习算法，同时也是最简单的一个算法，应用它可以解决一些很常见的分类问题。但是对于一个复杂的分类问题，比如图像识别，它的效果就不是很好了，不过这也是机器学习算法和深度学习的分水岭，深度学习可以解决更复杂的分类问题，比如自然语言处理和计算机视觉中的图像识别。所以，人工智能的快速发展得益于深度学习的突破，这也是未来额一个趋势。我们应该好好加油，我们赶上了这个时代，使我们的幸运，而能够投身于学习与这个世界上最前沿的技术，更是我们的荣幸，我们更应该好好加油！