sklearn学习第一篇：knn分类

K临近分类是一种监督式的分类方法，首先根据已标记的数据对模型进行训练，然后根据模型对新的数据点进行预测，预测新数据点的标签（label），也就是该数据所属的分类。

一，kNN算法的逻辑

kNN算法的核心思想是：如果一个数据在特征空间中最相邻的k个数据中的大多数属于某一个类别，则该样本也属于这个类别（类似投票），并具有这个类别上样本的特性。通俗地说，对于给定的测试样本和基于某种度量距离的方式，通过最靠近的k个训练样本来预测当前样本的分类结果。例如，借用百度的一张图来说明kNN算法过程，要预测图中Xu的分类结果，先预设一个距离值，只考虑以Xu为圆心以这个距离值为半径的圆内的已知训练样本，然后根据这些样本的投票结果来预测Xu属于w1类别，投票结果是4：1。

kNN算法在确定分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。kNN算法在类别决策时，只与极少量的相邻样本有关。由于kNN算法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。

1，kNN算法的计算步骤

kNN算法就是根据距离待分类样本A最近的k个样本数据的分类来预测A可能属于的类别，基本的计算步骤如下：

对数据进行标准化，通常是进行归一化，避免量纲对计算距离的影响；
计算待分类数据与训练集中每一个样本之间的距离；
找出与待分类样本距离最近的k个样本；
观测这k个样本的分类情况；
把出现次数最多的类别作为待分类数据的类别。

2，kNN算法如何计算距离？

在计算距离之前，需要对每个数值属性进行规范化，这有助于避免较大初始值域的属性比具有较小初始值域的属性的权重过大。

对于数值属性，kNN算法使用距离公式来计算任意两个样本数据之间的距离。
对于标称属性（如类别），kNN算法使用比较法，当两个样本数据相等时，距离为0；当两个样本数据不等时，距离是1。
对于缺失值，通常取最大的差值，假设每个属性都已经映射到[0,1]区间，对于标称属性，设置差值为1；对于数值属性，如果两个元组都缺失值，那么设置差值为1；如果只有一个值缺失，另一个规范化的值是v，则取差值为 1-v 和 v 的较大者。

3，kNN算法如何确定k的值？

k的最优值，需要通过实验来确定。从k=1开始，使用检验数据集来估计分类器的错误率。重复该过程，每次k增加1，允许增加一个近邻，选取产生最小错误率的k。一般而言，训练数据集越多，k的值越大，使得分类预测可以基于训练数据集的较大比例。在应用中，一般选择较小k并且k是奇数。通常采用交叉验证的方法来选取合适的k值。

二，KNeighborsClassifier函数

使用KNeighborsClassifier创建K临近分类器：

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform’, algorithm=’auto’, leaf_size=30, 
             p=2, metric=’minkowski’, metric_params=None, n_jobs=None, **kwargs)

参数注释：

1，n_neighbors

临近的节点数量，默认值是5

2，weights

权重，默认值是uniform，

uniform：表示每个数据点的权重是相同的；
distance：离一个簇中心越近的点，权重越高；
callable：用户定义的函数，用于表示每个数据点的权重

3，algorithm

auto：根据值选择最合适的算法
ball_tree：使用BallTree
kd_tree：KDTree
brute：使用Brute-Force查找

4，leaf_size

leaf_size传递给BallTree或者KDTree，表示构造树的大小，用于影响模型构建的速度和树需要的内存数量，最佳值是根据数据来确定的，默认值是30。

5，p，metric，metric_paras

p参数用于设置Minkowski 距离的Power参数，当p=1时，等价于manhattan距离；当p=2等价于euclidean距离，当p>2时，就是Minkowski 距离。
metric参数：设置计算距离的方法
metric_paras：传递给计算距离方法的参数

6，n_jobs

并发执行的job数量，用于查找邻近的数据点。默认值1，选取-1占据CPU比重会减小，但运行速度也会变慢，所有的core都会运行。

三，观察数据

由于knn分类是监督式的分类方法之前，在构建一个复杂的分类模型之前，首先需要已标记的数据集。我们可以从sklearn的数据集中加载已有的数据进行学习：

from sklearn.datasets import load_iris

iris_dataset=load_iris()

查看iris_dataset的数据，该对象的结构和字典非常类型：

>>> iris_dataset.keys()

dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names', 'filename'])

1，样本数据

data 是样本数据，共4列150行，列名是由feature_names来确定的，每一列都叫做矩阵的一个特征（属性），前4行的数据是：

>>> iris_dataset.data[0:4]

array([[5.1, 3.5, 1.4, 0.2],

       [4.9, 3. , 1.4, 0.2],

       [4.7, 3.2, 1.3, 0.2],

       [4.6, 3.1, 1.5, 0.2]])

2，标签

target是标签，用数字表示，target_names是标签的文本表示

>>> iris_dataset.target[0:4]

array([0, 0, 0, 0])

>>> iris_dataset.target_names

array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

3，查看数据的散点图

查看数据的散点图矩阵，按照数据的类别进行着色，观察数据的分布：

import pandas as pd

import mglearn

iris_df=pd.DataFrame(x_train,columns=iris_dataset.feature_names)

pd.plotting.scatter_matrix(iris_df,c=y_train,figsize=(15,15),marker='o',hist_kwds={'bins':20}

                    ,s=60,alpha=.8,cmap=mglearn.cm3)

四，创建模型

我们使用sklearn数据集中的鸢尾花测量数据来构建一个复杂的分类模型，并根据输入的数据点来预测鸢尾花的类别。

1，拆分数据

把鸢尾花数据拆分为训练集和测试集：

from sklearn.model_selection import train_test_split

x_train,x_test,y_train,y_test=train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=0)

使用函数把已标记的数据拆分成训练集和测试集：

sklearn.model_selection.train_test_split(*arrays, test_size ,train_size ,random_state ,shuffle ,stratify )

test_size：拆分的测试集数据所占的百分比，如果test_size和train_size都是none，那么默认值是test_size=0.25
train_size：拆分的训练集数据所占的百分比，
random_state：如果是int，那么参数用于指定随机数产生的种子；如果是None，使用np.random作为随机数产生器
shuffle：布尔值，默认值是True，表示在拆分之前对数据进行洗牌；如果shuffle = False，则分层必须为None。
stratify：如果不是None，则数据以分层方式拆分，使用此作为类标签。

2，创建分类器

使用KNeighborsClassifier创建分类器，设置参数n_neighbors为1：

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors=1)

3，使用训练集来构建模型

对于监督学习，训练数据集包括两部分：输入和结果（Lable），每一行输入都对应一行结果，结果是输入的正确分类（标签）。

通常，记X_train是训练的输入数据集，X_train对应的结果是y_train，是训练数据集的输出，通过fit()函数来训练模型，构建模型：

knn.fit(x_train, y_train)

4，预测新数据

对于训练之后的模型，使用predict()函数来预测数据的结果。

x_new=np.array([[5, 2.9, 1, 0.2]])

prediction= knn.predict(x_new)

print("prediction :{0}  ,classifier:{1}".format(prediction,iris_dataset["target_names"][prediction]))

五，模型评估

knn分类有2个重要的参数：邻居个数和数据点之间距离的度量方法。在实践中，使用较小的奇数个邻居，比如，3和5，往往可以得到比较好的结果，但是，这是经验之谈，你应该根据数据来调节这个参数。

1，模型的正确率

在使用模型之前，应该使用测试集来评估模型，所谓模型的正确率，就是使用已标记的数据，根据数据预测的结果和标记的结果进行比对，计算比对成功的占比：

assess_model_socre=knn.score(x_test,y_test)

print('Test set score:{:2f}'.format(assess_model_socre))

使用模型的score()函数，使用测试集进行评分，分数越高，模型越好。

2，邻居个数

如何确定邻居的个数，下面使用枚举法，逐个测试邻居的个数，并根据模型的score()函数查看模型的正确率。

import mglearn

import matplotlib.pyplot as plt

from sklearn.datasets import load_breast_cancer

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

cancer=load_breast_cancer()

x_train,x_test,y_train,y_test=train_test_split(cancer.data,cancer.target,random_state=66)

training_accuracy=[]

test_accuracy=[]

neighbors_settings=range(1,11)

for n_neighbors in neighbors_settings:

    knn=KNeighborsClassifier(n_neighbors)

    knn.fit(x_train,y_train)

    training_accuracy.append(knn.score(x_train,y_train))

    test_accuracy.append(knn.score(x_test,y_test))

plt.plot(neighbors_settings,training_accuracy,label='Training Accuracy')

plt.plot(neighbors_settings,test_accuracy,label='Test Accuracy')

plt.ylabel('Accuracy')

plt.xlabel('n_neighbors')

plt.legend()

3，距离选择

数据点之间的距离，计算距离的方法有："euclidean"（欧氏距离）,”minkowski”（明科夫斯基距离）, "maximum"（切比雪夫距离）, "manhattan"（绝对值距离）,"canberra"（兰式距离）, 或 "minkowski"（马氏距离）等。

4，预测的不确定度估计

查看分类的不确定度估计，使用模型的predict_prob()函数来查看模型预测的概率。

参考文档：

sklearn.neighbors.KNeighborsClassifier

sklearn的基本使用

Python之Sklearn使用教程