KNN-k近邻算法

KNN(k-Nearest Neighbors)思想简单，应用的数学知识几乎为0，所以作为机器学习的入门非常实用、可以解释机器学习算法使用过程中的很多细节问题。能够更加完整地刻画机器学习应用的流程。

​ 首先大致介绍一下KNN的思想，假设我们现在有两类数据集，一类是红色的点表示，另一类用蓝色的点表示，这两类点就作为我们的训练数据集，当有一个新的数据绿色的点，那么我们该怎么给这个绿色的点进行分类呢？一般情况下，我们需要先指定一个k，当一个新的数据集来临时，我们首先计算这个新的数据跟训练集中的每一个数据的距离，一般使用欧氏距离。然后从中选出距离最近的k个点，这个k一般选取为奇数，方便后面投票决策。在k个点中根据最多的确定新的数据属于哪一类。

一、KNN基础

  1. 先创建好数据集x_train, y_train，和一个新的数据x_new, 并使用matplot将其可视化出来。
import numpy as np

import matplotlib.pyplot as plt

raw_data_x = [[3.3935, 2.3313],

              [3.1101, 1.7815],

              [1.3438, 3.3684],

              [3.5823, 4.6792],

              [2.2804, 2.8670],

              [7.4234, 4.6965],

              [5.7451, 3.5340],

              [9.1722, 2.5111],

              [7.7928, 3.4241],

              [7.9398, 0.7916]]

raw_data_y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

x_train = np.array(raw_data_x)

y_train = np.array(raw_data_y)

x_new = np.array([8.0936, 3.3657])

plt.scatter(x_train[y_train==0,0], x_train[y_train==0,1], color='g')

plt.scatter(x_train[y_train==1,0], x_train[y_train==1,1], color='r')

plt.scatter(x_new[0], x_new[1], color='b')

plt.show()
  1. knn过程
  • 计算距离
from math import sqrt

distance = []

for x in x_train:

    d = sqrt(np.sum((x_train - x) ** 2))

    distance.append(d)

# 其实上面这些代码用一行就可以搞定

# distances = [sqrt(np.sum((x_train - x) ** 2)) for x in x_train]

输出结果：

[10.888422144185997,

 11.825242797930196,

 15.18734646375067,

 11.660703691887552,

 12.89974598548359,

 12.707715895864213,

 9.398411207752083,

 15.62480440229573,

 12.345673749536719,

 14.394770082568183]
  • 将距离进行排序,返回的是排序之后的索引位置
nearsest = np.argsort(distances)

输出结果：array([6, 0, 3, 1, 8, 5, 4, 9, 2, 7], dtype=int64)

  • 取k个点，假设k=5
k = 5

topk_y = [y_train[i] for i in nearest[:k]]

topk_y

输出结果：[1, 0, 0, 0, 1]

根据输出结果我们可以发现，新来的数据距离最近的5个点，有三个点属于第一类，有两个点属于第二类，根据少数服从多数原则，新来的数据就属于第一类！

  • 投票
from collections import Counter

Counter(topk_y)

输出结果：Counter({1: 2, 0: 3})

votes = Counter(topk_y)

votes.most_common(1)

y_new = votes.most_common(1)[0][0]

输出结果：0

这样，我们就完成了一个基本的knn！

二、自己写一个knn函数

​ knn是一个不需要训练过程的机器学习算法。其数据集可以近似看成一个模型。

import numpy as np

from math import sqrt

from collections import Counter

def kNN_classifier(k, x_train, y_train, x):

    assert 1 <= k <= x_train.shape[0], "k must be valid"

    assert x_train.shape[0] == y_train.shape[0], "the size of x_train must be equal to the size of y_train"

    assert x_train.shape[1] == x.shape[0], "the feature number of x must be equal to x_train"

    distances = [sqrt(np.sum((x_train - x) ** 2)) for x in x_train]

    nearest = np.argsort(distances)

    topk_y = [y_train[i] for i in nearest[:k]]

    votes = Counter(topk_y)

    return votes.most_common(1)[0][0]

测试一下：

raw_data_x = [[3.3935, 2.3313],

              [3.1101, 1.7815],

              [1.3438, 3.3684],

              [3.5823, 4.6792],

              [2.2804, 2.8670],

              [7.4234, 4.6965],

              [5.7451, 3.5340],

              [9.1722, 2.5111],

              [7.7928, 3.4241],

              [7.9398, 0.7916]]

raw_data_y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

x_train = np.array(raw_data_x)

y_train = np.array(raw_data_y)

x_new = np.array([8.0936, 3.3657])

y_new = kNN_classifier(5, x_train, y_train, x_new)

print(y_new)

三、使用sklearn中的KNN

from sklearn.neighbors import KNeighborsClassifier

import numpy as np

raw_data_x = [[3.3935, 2.3313],

              [3.1101, 1.7815],

              [1.3438, 3.3684],

              [3.5823, 4.6792],

              [2.2804, 2.8670],

              [7.4234, 4.6965],

              [5.7451, 3.5340],

              [9.1722, 2.5111],

              [7.7928, 3.4241],

              [7.9398, 0.7916]]

raw_data_y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

x_train = np.array(raw_data_x)

y_train = np.array(raw_data_y)

x_new = np.array([8.0936, 3.3657])

knn_classifier = KNeighborsClassifier(n_neighbors=5)

knn_classifier.fit(x_train, y_train)

y_new = knn_classifier.predict(x_new.reshape(1, -1))

print(y_new[0])

四、自己写一个面向对象的KNN

import numpy as np

from math import sqrt

from collections import Counter

class KNNClassifier():

    def __init__(self, k):

        assert 1 <= k, "k must be valid"

        self.k = k

        self._x_train = None

        self._y_train = None

    def fit(self, x_train, y_train):

        assert x_train.shape[0] == y_train.shape[0], \

        "the size of x_train must be equal to the size of y_train"

        assert self.k <= x_train.shape[0], \

         "the size of x_train must be at least k"

        self._x_train = x_train

        self._y_train = y_train

        return self

    def predict(self, x_new):

        x_new = x_new.reshape(1, -1)

        assert self._x_train is not None and self._y_train is not None, \

        "must fit before predict"

        assert x_new.shape[1] == self._x_train.shape[1], \

        "the feature number of x must be equal to x_train"

        y_new = [self._predict(x) for x in x_new]

        return np.array(y_new)

    def _predict(self, x):

        assert x.shape[0] == self._x_train.shape[1], \

        "the feature number of x must be equal to x_train"

        distances = [sqrt(np.sum((x_train - x) ** 2)) for x_train in self._x_train]

        nearest = np.argsort(distances)

        topk_y = [self._y_train[i] for i in nearest[:self.k]]

        votes = Counter(topk_y)

        return votes.most_common(1)[0][0]

    def __repr__(self):

        return "KNN(k=%d)" % self.k

​ 测试一下：

raw_data_x = [[3.3935, 2.3313],

              [3.1101, 1.7815],

              [1.3438, 3.3684],

              [3.5823, 4.6792],

              [2.2804, 2.8670],

              [7.4234, 4.6965],

              [5.7451, 3.5340],

              [9.1722, 2.5111],

              [7.7928, 3.4241],

              [7.9398, 0.7916]]

raw_data_y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

x_train = np.array(raw_data_x)

y_train = np.array(raw_data_y)

x_new = np.array([8.0936, 3.3657])

knn_clf = KNNClassifier(6)

knn_clf.fit(x_train, y_train)

y_new = knn_clf.predict(x_new)

print(y_new[0])

五、分割数据集

import numpy as np

from sklearn import datasets

def train_test_split(x, y, test_ratio=0.2, seed=None):

    assert x.shape[0] == y.shape[0], "the size of x must be equal to the size of y"

    assert 0.0 <= test_ratio <= 1.0, "test_ratio must be valid"

    if seed:

        np.random.seed(seed)

    shuffle_idx = np.random.permutation(len(x))

    test_size = int(len(x) * test_ratio)

    test_idx = shuffle_idx[:test_size]

    train_idx = shuffle_idx[test_size:]

    x_train = x[train_idx]

    y_train = y[train_idx]

    x_test = x[test_idx]

    y_test = y[test_idx]

    return x_train, y_train, x_test, y_test

六、使用sklearn中的鸢尾花数据测试KNN

import numpy as np

from sklearn import datasets

from knn_clf import KNNClassifier

iris = datasets.load_iris()

x = iris.data

y = iris.target

x_train, y_train, x_test, y_test = train_test_split(x, y)

my_knn_clf = KNNClassifier(k=3)

my_knn_clf.fit(x_train, y_train)

y_predict = my_knn_clf.predict(x_test)

print(sum(y_predict == y_test))

print(sum(y_predict == y_test) / len(y_test))


# 也可以使用sklearn中自带的数据集拆分方法

from sklearn.model_selection import train_test_split

import numpy as np

from sklearn import datasets

from knn_clf import KNNClassifier

iris = datasets.load_iris()

x = iris.data

y = iris.target

x_train, y_train, x_test, y_test = train_test_split(x, y, \

                                                    test_size=0.2, random_state=666)

my_knn_clf = KNNClassifier(k=3)

my_knn_clf.fit(x_train, y_train)

y_predict = my_knn_clf.predict(x_test)

print(sum(y_predict == y_test))

print(sum(y_predict == y_test) / len(y_test))

七、使用sklearn中的手写数字数据集测试KNN

​ 首先，先来了解一下手写数字数据集。

import numpy as np

import matplotlib.pyplot as plt

from sklearn import datasets

digits = datasets.load_digits()

digits.keys()

print(digits.DESCR)

y.shape

digits.target_names

y[:100]

x[:10]

some_digit = x[666]

y[666]

some_digit_image = some_digit.reshape(8, 8)

plt.imshow(some_digit_image, cmap=plt.cm.binary)

plt.show()

​ 接下来，就开始动手试试。

from sklearn import datasets

from shuffle_dataset import train_test_split

from knn_clf import KNNClassifier

digits = datasets.load_digits()

x = digits.data

y = digits.target

x_train, y_train, x_test, y_test = train_test_split(x, y, test_ratio=0.2)

my_knn_clf = KNNClassifier(k=3)

my_knn_clf.fit(x_train, y_train)

y_predict = my_knn_clf.predict(x_test)

print(sum(y_predict == y_test) / len(y_test))

​ 把求acc封装成一个函数，方便调用。

def accuracy_score(y_true, y_predict):

    assert y_true.shape[0] == y_predict.shape[0], \

    "the size of y_true must be equal to the size of y_predict"

    return sum(y_true == y_predict) / len(y_true)

​ 接下来把它封装到KNNClassifier的类中。

import numpy as np

from math import sqrt

from collections import Counter

from metrics import accuracy_score

class KNNClassifier():

    def __init__(self, k):

        assert 1 <= k, "k must be valid"

        self.k = k

        self._x_train = None

        self._y_train = None

    def fit(self, x_train, y_train):

        assert x_train.shape[0] == y_train.shape[0], \

        "the size of x_train must be equal to the size of y_train"

        assert self.k <= x_train.shape[0], \

        "the size of x_train must be at least k"

        self._x_train = x_train

        self._y_train = y_train

        return self

    def predict(self, x_new):

        # x_new = x_new.reshape(1, -1)

        assert self._x_train is not None and self._y_train is not None, \

        "must fit before predict"

        assert x_new.shape[1] == self._x_train.shape[1], \

        "the feature number of x must be equal to x_train"

        y_new = [self._predict(x) for x in x_new]

        return np.array(y_new)

    def _predict(self, x):

        assert x.shape[0] == self._x_train.shape[1], \

        "the feature number of x must be equal to x_train"

        distances = [sqrt(np.sum((x_train - x) ** 2)) for x_train in self._x_train]

        nearest = np.argsort(distances)

        topk_y = [self._y_train[i] for i in nearest[:self.k]]

        votes = Counter(topk_y)

        return votes.most_common(1)[0][0]

    def score(self, x_test, y_test):

        y_predict = self.predict(x_test)

        return accuracy_score(y_test, y_predict)

    def __repr__(self):

        return "KNN(k=%d)" % self.k

​ 其实，在sklearn中这些都已经封装好了。

from sklearn.metrics import accuracy_score

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

digits = datasets.load_digits()

x = digits.data

y = digits.target

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

knn_classifier = KNeighborsClassifier(n_neighbors=3)

knn_classifier.fit(x_train, y_train)

knn_classifier.score(x_test, y_test)

八、超参数

  • k

​ 在knn中的超参数k何时最优？

from sklearn.metrics import accuracy_score

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

digits = datasets.load_digits()

x = digits.data

y = digits.target

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

best_score = 0.0

best_k = -1

for k in range(1, 11):

    knn_clf = KNeighborsClassifier(n_neighbors=k)

    knn_clf.fit(x_train, y_train)

    score = knn_clf.score(x_test, y_test)

    if score > best_score:

        best_k = k

        best_score = score

print("best k=", best_k)

print("best score=", best_score)
  • 投票方式

​ 上面这张图，绿色的球最近的三颗球分别是红色的1号，紫色的3号和蓝色的4号。如果只考虑绿色的k个近邻中多数服从少数，目前来说就是平票。即使不是平票，红色也是距离绿色最近。此时我们就可以考虑给他们加个权重。一般使用距离的倒数作为权重。假设距离分别为1、 3、 4

​ 红球：1 紫+蓝：1/3 + 1/4 = 7/12

​ 这两者加起来都没有红色的权重大，因此最终将这颗绿球归为红色类别。这样能有效解决平票问题。 因此，这也算knn的一个超参数。

​ 其实这个在sklearn封装的knn中已经考虑到了这个问题。在KNeighborsClassifier(n_neighbors=k，weights=？)还有一个参数weights，一般有两种：uniform、distance。

from sklearn.metrics import accuracy_score

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

digits = datasets.load_digits()

x = digits.data

y = digits.target

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

best_method = ""

best_score = 0.0

best_k = -1

for method in["uniform", "distance"]:

    for k in range(1, 11):

        knn_clf = KNeighborsClassifier(n_neighbors=k)

        knn_clf.fit(x_train, y_train)

        score = knn_clf.score(x_test, y_test)

        if score > best_score:

            best_method = method

            best_k = k

            best_score = score

print("best_method=", best_method)

print("best k=", best_k)

print("best score=", best_score)

  • p

    ​ 如果使用距离，那么有很多种距离可以使用，欧氏距离、曼哈顿距离、明可夫斯基距离。

from sklearn.metrics import accuracy_score

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

digits = datasets.load_digits()

x = digits.data

y = digits.target

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

best_p = -1

best_score = 0.0

best_k = -1

for p in range(1, 6):

    for k in range(1, 11):

        knn_clf = KNeighborsClassifier(n_neighbors=k, weights="distance", p=p)

        knn_clf.fit(x_train, y_train)

        score = knn_clf.score(x_test, y_test)

        if score > best_score:

            best_p = p

            best_k = k

            best_score = score

print("best_p=", best_p)

print("best k=", best_k)

print("best score=", best_score)

​ 关于knn更多的超参寻优，后续待更~

九、更多关于k近邻的思考

​ 其实使用k近邻除了可以解决分类问题还可以解决回归问题，比如下面，这个绿色的球可以按照k个近邻取平均或者进行加权平均，sklearn中也封装了k近邻的回归部分，详情

http://scikit-learn.rog/stable/modules/generated/sklearn.neighbors.KNeighborsRegressor.html

​ 缺点1：k近邻最大的缺点就是，效率低下，因为如果训练集有m个样本，n个特征，则预测每一个新的数据需要的时间复杂度O（m*n）,关于k近邻的优化问题，可以使用KD-Tree，Ball-Tree。

​ 缺点2：高度数据相关。在数据集中异常样本对于预测的影响很大。

​ 缺点3：预测结果具有不可解释性

其实还有一个最大的问题，对于k近邻算法而言就是维度灾难。

维度灾难：随着维度的增加，"看似相近"的两个点之间的距离越来越大。

解决的办法：就是降维！后续会对降维进行一个整理！

我是尾巴

​ 如果有人问我：那些艰难的岁月你是怎么熬过来的？

我想我只有一句话回答：我有一种强大的精神力量支撑着我，这种力量名字叫“想死又不敢”。

本次推荐：

xmind：xmind

间接性踌躇满志，持续性混吃等死！

KNN-k近邻算法的更多相关文章

  1. 基本分类方法——KNN(K近邻)算法

    在这篇文章 http://www.cnblogs.com/charlesblc/p/6193867.html 讲SVM的过程中,提到了KNN算法.有点熟悉,上网一查,居然就是K近邻算法,机器学习的入门 ...

  2. 第四十六篇 入门机器学习——kNN - k近邻算法（k-Nearest Neighbors）

    No.1. k-近邻算法的特点 No.2. 准备工作,导入类库,准备测试数据 No.3. 构建训练集 No.4. 简单查看一下训练数据集大概是什么样子,借助散点图 No.5. kNN算法的目的是,假如 ...

  3. KNN K~近邻算法笔记

    K~近邻算法是最简单的机器学习算法.工作原理就是:将新数据的每一个特征与样本集中数据相应的特征进行比較.然后算法提取样本集中特征最相似的数据的分类标签.一般来说.仅仅提取样本数据集中前K个最相似的数据 ...

  4. KNN (K近邻算法) - 识别手写数字

    KNN项目实战——手写数字识别 1. 介绍 k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法.它的工作原理是:存在一个 ...

  5. kNN(k近邻)算法代码实现

    目标:预测未知数据(或测试数据)X的分类y 批量kNN算法 1.输入一个待预测的X(一维或多维)给训练数据集,计算出训练集X_train中的每一个样本与其的距离 2.找到前k个距离该数据最近的样本-- ...

  6. 机器学习之K近邻算法（KNN）

    机器学习之K近邻算法(KNN) 标签: python 算法 KNN 机械学习 苛求真理的欲望让我想要了解算法的本质,于是我开始了机械学习的算法之旅 from numpy import * import ...

  7. 机器学习——KNN算法（k近邻算法）

    一 KNN算法 1. KNN算法简介 KNN(K-Nearest Neighbor)工作原理:存在一个样本数据集合,也称为训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一数据与所属分 ...

  8. k近邻算法(KNN)

    k近邻算法(KNN) 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. from sklearn.model_selection ...

  9. 1. K近邻算法（KNN）

    1. K近邻算法(KNN) 2. KNN和KdTree算法实现 1. 前言 K近邻法(k-nearest neighbors,KNN)是一种很基本的机器学习方法了,在我们平常的生活中也会不自主的应用, ...

  10. 机器学习：k-NN算法（也叫k近邻算法）

    一.kNN算法基础 # kNN:k-Nearest Neighboors # 多用于解决分裂问题 1)特点: 是机器学习中唯一一个不需要训练过程的算法,可以别认为是没有模型的算法,也可以认为训练数据集 ...

随机推荐

  1. A#G/C013

    A#G/C013 A Sorted Arrays 不会/kk B Hamiltonish Path 我是傻逼 如果一条路径不合法,那么把不合法的端点向没出现过的相邻点连过去救星了 C Ants on ...

  2. .NET 爬虫总结

    前言 技术本身并无罪,罪恶本质在于人心,好比厨师手中的菜刀用来创造美味佳肴,而杀手手上的刀却用来创造无限的罪恶. 环境 win7 IIS 6.0  SQLserver2012 .NET 4.0 win ...

  3. 大厂HR面试必备ES6中的深入浅出面试题知识点

    ESMAScript6简介,ES6是JavaScript语言的下一代标准,目的是让JavaScript语言可以写复杂的大型应用程序,成为企业级语言.那么ECMAScript和JavaScript的关系 ...

  4. GoCN每日新闻(2019-11-01)

    GoCN每日新闻(2019-11-01) GoCN每日新闻(2019-11-01) 1. Rob Pike 认为 Go 成功的 5 个因素 https://changelog.com/posts/5- ...

  5. nginx if配置说明

    格式:if (条件判断) { 具体的rewrite规则 } 条件举例: 条件判断语句由Nginx内置变量.逻辑判断符号和目标字符串三部分组成. 其中,内置变量是Nginx固定的非自定义的变量,如,$r ...

  6. LINK : fatal error LNK1181: cannot open input file 'glew32.lib' error: command 'C:\\Program Files (

    下载 库文件 参考: https://stackoverflow.com/questions/53355474/kivent-installation-fatal-error-lnk1181-cant ...

  7. 【POJ3414】Pots

    本题传送门 本题知识点:宽度优先搜素 + 字符串 题意很简单,如何把用两个杯子,装够到第三个杯子的水. 操作有六种,这样就可以当作是bfs的搜索方向了 // FILL(1) 把第一个杯子装满 // F ...

  8. kafka（一）设计分析

    参考文档:Kafka 设计与原理详解:http://blog.csdn.net/suifeng3051/article/details/48053965Kafka深度解析:http://blog.cs ...

  9. maven 无法引入包 报错 处理方式

    <!--orderquery thrift client定义--> <dependency> <groupId>com.sankuai.qcs</groupI ...

  10. RabbitMQ C#客户端自动重连

    重要参考文章来源:http://gigi.nullneuron.net/gigilabs/resilient-connections-with-rabbitmq-net-client/ 参考代码:ht ...