统计学习方法（三）——K近邻法

/*先把标题给写了、这样就能经常提醒自己*/

1. k近邻算法

k临近算法的过程，即对一个新的样本，找到特征空间中与其最近的k个样本，这k个样本多数属于某个类，就把这个新的样本也归为这个类。

算法 

输入：训练数据集

其中为样本的特征向量，为实例的类别，i=1,2,…,N；样本特征向量x（新样本）；

输出：样本x所属的类y。

（1）根据给定的距离度量，在训练集T中找出与x最相邻的k个点，涵盖这k个点的邻域记作；

（2）在中根据分类决策规则（如多数表决）决定x的类别y：

                                                                    （1）

式中I为指示函数，即当时I为1，否则为0。

由这个简单的算法过程可以看出来，距离的选择、以及k的选择都是很重要的，这恰好对应的三个要素中的两个，另一个为分类决策规则，一般来说是多数表决法。

2. k近邻模型

k近邻算法使用的模型实际上对应于特征空间的划分，模型由三个基本要素——距离度量、k值的选择和分类决策规则决定。

距离度量

特征空间中俩个实例的距离是俩个实例点相似程度的反映，k近邻中一般使用欧氏距离，本文中主要只介绍这一种。

设特征空间是维实数向量空间，，,,的距离定义为

当p=2时，称为欧氏距离(Euclidean distance).

==================在此吐槽一下，博客园的图片插入好折腾人啊，已经搞出肩周炎了,明天再继续码第二要素了 2014-6-30========================

举个粟子，已知,，则  的欧氏距离为 ，挺容易理解的吧!

K值的选择

首先说明一下K值的选择对最终的结果有很大的影响！！！

如果选择的k过小，则预测的结果对近邻的实例点非常敏感，如果近邻刚好是噪声，则预测就会出错，例如k=1，很难保证最近的一个点就是正确的预测，亦即容易发生过拟合！如果选择的k过大，则会忽略掉训练实例中的大量有用信息，例如k=N，那么无论输入实例是什么最终的结果都将是训练实例中最多的类。

关于分类决策规则这里就不再赘述，正常情况下直接采用多数表决即可，如果觉得结果不满意的话，可以加入各个类的先验概率进去融合！

3. K近邻的实现

该小节书本中用到了KD树，通过构造平衡KD树来方便快速查找训练数据中离测试实例最近的点，不过构造这颗树本身是一个比较繁琐的过程（其实是本人代码能力实在太菜了，真的觉得把KD树写下来需要花太多时间了，而且KD树中每增加一个新数据又要进行节点插入操作，实在不方便，直接放弃），所以直接用最土豪的方法，时间复杂度差就差了，咱有的是CPU！！！

在这里直接套用书中例子，不过实现上就用其它算法了。稍等，我勒个去！书中的例子只是用于构造KD树的，李航兄你不厚道啊，说好的K近邻怎么变成这样了，不能直接引用书中例子了，自己再编一个得了。

例子：训练数据集中，正样本点有，负样本点有，现要求判断实例属于哪个类别,如下图所示：

假设取K=3，则距离最近的3个点为,按照多数表决规则可得出应该属于正类。

　　为了表示咱们不是拍脑袋给出的结果，下面给出具体的代码实现

package org.juefan.knn;

import java.util.ArrayList;
import java.util.Collections;
import java.util.Comparator;
import java.util.HashMap;
import java.util.Map;

import org.juefan.basic.FileIO;
import org.juefan.data.Data;

public class SimpleKnn {

    public static final int K = 3;
    public static int P = 2;        //距离函数的选择，P=2即欧氏距离

    public class LabelDistance{
        public double distance = 0;
        public int label;
        public LabelDistance(double d, int l){
            distance = d;
            label = l;
        }
    }

    public sort compare = new sort();
    public class sort implements Comparator<LabelDistance> {
        public int compare(LabelDistance arg0, LabelDistance arg1) {
            return arg0.distance < arg1.distance ? -1 : 1;        //JDK1.7的新特性，返回值必须是一对正负数
        }
    }

    /**
     * 俩个实例间的距离函数
     * @param a
     * @param b
     * @return 返回距离值，如果俩个实例的维度不一致则返回一个极大值
     */
    public double getLdistance(Data a, Data b){
        if(a.x.size() != b.x.size())
            return Double.MAX_VALUE;
        double inner = 0;
        for(int i = 0; i < P; i++){
            inner += Math.pow((a.x.get(i) - b.x.get(i)) , P);
        }
        return Math.pow(inner, (double)1/P);
    }

    /**
     * 计算实例与训练集的距离并返回最终判断结果
     * @param d 待判断实例
     * @param tran 训练集
     * @return 实例的判断结果
     */
    public int getLabelvalue(Data d, ArrayList<Data> tran){
        ArrayList<LabelDistance> labelDistances= new ArrayList<>();
        Map<Integer, Integer> map = new HashMap<>();
        int label = 0;
        int count = 0;
        for(Data data: tran){
            labelDistances.add(new LabelDistance(getLdistance(d, data), data.y));
        }
        Collections.sort(labelDistances, compare);
        for(int i = 0; i < K & i < labelDistances.size(); i++){
            //System.out.println(labelDistances.get(i).distance + "\t" + labelDistances.get(i).label);
            int tmplabel = labelDistances.get(i).label;
            if(map.containsKey(tmplabel)){
                map.put(tmplabel, map.get(tmplabel) + 1);
            }else {
                map.put(tmplabel, 1);
            }
        }
        for(int key: map.keySet()){
            if(map.get(key) > count){
                count = map.get(key);
                label = key;
            }
        }
        return label;
    }

    public static void main(String[] args) {
        SimpleKnn knn = new SimpleKnn();
        ArrayList<Data> datas = new ArrayList<>();
        FileIO fileIO = new FileIO();
        fileIO.setFileName(".//file//knn.txt");
        fileIO.FileRead();
        for(String data: fileIO.fileList){
            datas.add(new Data(data));
        }
        Data data = new Data();
        data.x.add(2); data.x.add(1);
        System.out.println(knn.getLabelvalue(data, datas));
    }
}

对代码有兴趣的可以上本人的GitHub查看：https://github.com/JueFan/StatisticsLearningMethod/