k近邻算法(KNN)

文章介绍了K-近邻(KNN)算法的基本原理,包括计算距离公式和KNN的工作方式。接着,通过一个案例展示了如何使用Python的scikit-learn库进行数据预处理和KNN模型训练,以预测用户的签到位置。在案例中,进行了数据筛选、特征工程(如时间戳转换和标准化处理)以及模型评估(预测准确率)。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

 计算距离公式

案例:预测入住位置

总结

问题:

优缺点 


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同一个类别,则该样本也属于这个类别。

来源:knn算法最早是由cover和Hart提出的一种分类算法

 计算距离公式

如何求距离? 根号((18-3)^2+(90-104)^2)=20.5

相似的样本,特征之间的值应该都是相近的

K-近邻算法:需要做标准化处理

案例:预测入住位置

from  sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import pandas as pd

def knncls():
    """K-近邻预测用户签到位置"""

    # 读取数据
    data = pd.read_csv("./data/FBlocation/tain.csv")
    print(data.head(10))
    # 处理数据
    # 1.缩小数据
    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)

    # 把日期格式转换成字典格式
    time_value = pd.DatetimeIndex(time_value)

    # 构造一些特征
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday

    # 把时间戳特征删除
    data = data.drop(['time', axis=1)

    # 把签到数量少于N个目标位置删除
    place_count = data.groupby('place_id').count()
    tf = place_count[place_count.row_id > 3].reset_index() 
    data = data[data['place_id'].isin(tf.place_id)]

    # 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()

    # 对测试集和训练集的特征值进行标准化
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    # 进行算法流程
    knn = KNeighborsClassifier(n_neighbors=5)

    # fit, predict,score
    knn.fit(x_train, y_train)

    # 得出预测结果
    y_predict = knn.predict(x_test)

    print("预测的目标签到位置为:", y_predict)

    # 得出准确率
    print("预测的准确率:", knn.score(x_test,y_test))

    return None

if _name_ == "_main_":
    knncls()

总结

问题:

1.K值去多大?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k值数量(类别)波动


2.性能问题?

优缺点 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值