机器学习之KNN

KNN算法概述

    k近邻(简称KNN)算法是一种简单的分类与回归方法。它不需要数学基础,也没有很难公式推导,但是往往它的预测效果却很不错。工作机制:给定测试样本,基于某种距离度量找出训练集中与其最靠近的K个训练样本,然后基于这K个”邻居“的信息来预测。
    在分类任务中可使用“投票法”,即选择这K个样本中出现最多的类别标记。
    在回归任务中可使用“平均法”,即将这K个样本的实值输出标记的平均值作为预测结果。
    还可基于距离的远近进行加权平均或加权投票,距离越近的样本权重越大。
    K近邻是一种‘懒惰学习’的代表,因为它训练阶段仅仅只是把样本保存起来,训练的开销为零,待收到测试样本后再进行处理。
    特殊的,当K等于1时的分类器叫做“最近邻分类器”

KNN参数

    KNN有两个重要的参数会影响预测结果。
    第一个参数是K值的选择。如果选择较小的K值,这时,预测结果会对邻近的实例点非常敏感。如果邻近的实例点恰巧是噪声,预测就会出错。也就是容易发生过拟合。当选择较大的K值时,一些距离远的,不相似的训练实例也会起到预测作用,使预测发生错误。举个极端的例子,当K值等于训练样本数时,这时,无论测试集的输入是什么,它都将预测训练集中类别最多的点,这显然是不可取的。所以K值需要不断验证来选择。
    第二个参数是距离计算方法的选择。常见的距离度量方式是欧式距离和曼哈顿距离,也可以根据实际情况来选择合适的距离度量方法。

参考文献

《机器学习》周志华著
《统计学习方法 第二版》李航著

### kNN算法概述 kNN算法(K-Nearest Neighbors),也被称为K-最邻近算法,是一种基本的机器学习算法,适用于分类和回归任务。此算法的核心在于利用特征空间中的相似度来决定未知样本所属类别。具体来说,在给定含有已知类别的训练集情况下,对于每一个待预测的新样本,计算它与所有训练样本之间的距离,并选取距离最小的前K个邻居作为参考对象;最终依据这些邻居们的类别标签,采用投票机制或者加权平均的方式得出目标样本应归属于哪一类[^2]。 ### 数据预处理的重要性 在实际操作过程中,准备高质量的数据至关重要。特别是在执行像手写数字识别这样的复杂任务时,不仅需要精心挑选合适的数据源,还需要设计有效的函数把原始图片转化为适合输入模型的形式,从而提高后续运用K近邻算法进行模式匹配的成功概率[^4]。 ### Python实现示例 下面给出一段简单的Python代码片段用来演示如何构建并评估一个基础版本的kNN分类器: ```python from collections import Counter import numpy as np def create_dataset(): group = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) labels = ['A', 'A', 'B', 'B'] return group, labels def classify_knn(inX, dataset, labels, k): dataSetSize = dataset.shape[0] diffMat = np.tile(inX, (dataSetSize, 1)) - dataset sqDiffMat = diffMat ** 2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances ** 0.5 sortedDistIndicies = distances.argsort() classCount = {} for i in range(k): voteIlabel = labels[sortedDistIndicies[i]] classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 sortedClassCount = sorted(classCount.items(), key=lambda item:item[1], reverse=True) return sortedClassCount[0][0] group, labels = create_dataset() test_data_point = [0, 0] predicted_label = classify_knn(test_data_point, group, labels, 3) print(f"The predicted label of {test_data_point} is: {predicted_label}") ``` 上述程序定义了一个小型二维点集合及其对应的类别标记,并实现了`classify_knn()` 函数用于接收新的观测值 `inX`, 训练数据集 `dataset` 及其关联的真实标签 `labels` 和参数 `k`. 此外还展示了怎样调用这个自定义的方法完成一次具体的预测过程[^3]. ### 结果分析 为了验证模型性能的好坏程度,通常会在独立于训练阶段之外的一组测试样例上运行该算法,并统计误判次数占总检验数量的比例即误差率(error rate),以此衡量系统的准确性水平.
评论 1
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