机器学习之KNN算法分析

01-简介

介绍第一个机器学习算法：K-近邻算法，它非常有效而且易于掌握。

kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻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，并具有这个类别上样本的特性。该方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方法在类别决策时，只与极少量的相邻样本有关。由于kNN方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。

KNN算法不仅可以用于分类，还可以用于回归。

02-算法流程

1. 准备数据，对数据进行预处理
2. 选用合适的数据结构存储训练数据和测试元组
3. 设定参数，如k
4. 维护一个大小为k的的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列
5. 遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L 与优先级队列中的最大距离Lmax
6. 进行比较。若L>=Lmax，则舍弃该元组，遍历下一个元组。若L < Lmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。
7. 遍历完毕，计算优先级队列中k 个元组的多数类，并将其作为测试元组的类别。
8. 测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k 值。

03-近邻算法原理

• 简单地说，K-近邻算法采用测量不同特征值之间的距离方法进行分类（k-Nearest Neighbor，KNN）
• 欧几里得距离(Euclidean Distance)
• k邻近法
• 决策规则

04-优点与缺点

• 优点

  1. 简单，易于理解，易于实现，无需估计参数，无需训练；
  2. 适合对稀有事件进行分类；
  3. 特别适合于多分类问题(multi-modal,对象具有多个类别标签)， kNN比SVM的表现要好。

• 缺点

  1. 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。 该算法只计算“最近的”邻居样本，某一类的样本数量很大，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本。无论怎样，数量并不能影响运行结果。
  2. 该方法的另一个不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。
  3. 可理解性差，无法给出像决策树那样的规则。

05-改进策略

kNN算法因其提出时间较早，随着其他技术的不断更新和完善，kNN算法的诸多不足之处也逐渐显露，因此许多kNN算法的改进算法也应运而生。
针对以上算法的不足，算法的改进方向主要分成了分类效率和分类效果两方面。
分类效率：事先对样本属性进行约简，删除对分类结果影响较小的属性，快速的得出待分类样本的类别。该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。
分类效果：采用权值的方法（和该样本距离小的邻居权值大）来改进，Han等人于2002

06-入门案例

• 分类问题：from sklearn.neighbors import KNeighborsClassifier
• 回归问题：from sklearn.neighbors import KNeighborsRegressor

身高、体重、鞋子尺码数据对应性别
#sklearn 机器学习库
from sklearn.neighbors import KNeighborsClassifier

#创造数据
#机器学习的数据
X_train = [[185,80,43],[170,70,41],[165,50,37],[165,65,41],[170,50,39]]
Y_train = ['男','男','女','男','女']

#创造机器学习的对象,模型
knn = KNeighborsClassifier(n_neighbors=3)

#训练算法
knn.fit(X_train,Y_train)

#随机生成数据
X_test = [[183,75,44],[160,48,37]]

#预测数据
knn.predict(X_test)
Out[10]:
array(['男', '女'],
      dtype='<U1')

07-保存训练模型

from sklearn.externals import joblib
joblib.dump(clf, "train_xxx.m")

cls = joblib.load('train_xxx.m')