机器学习算法基础 DAY 3 k近邻算法(KNN)

分类算法-k近邻算法(KNN)

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某一个类别，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

两个样本的距离可以通过如下公式计算，又叫欧式距离

比如说，a(a1,a2,a3),b(b1,b2,b3)

相似的样本，特征之间的值都是相近的。

例子：

事前数据需要做标准化处理

sklearn k-近邻算法API

• sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)

• n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数

• algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)

k近邻算法实例-预测入住位置

程序代码：

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


def knncls():
    """
    K-近邻预测用户签到位置
    :return:None
    """
    # 读取数据
    data = pd.read_csv("./train.csv")

    # print(data.head(10))

    # 处理数据
    # 1、缩小数据,查询数据筛选
    data = data.query("x > 1.0 &  x < 1.25 & y > 2.5 & y < 2.75")
    #print(data.head(10))

    # 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.day等的前提步骤
    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)

    print(data)

    # 把签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()
    #print(place_count)
    tf = place_count[place_count.row_id > 3].reset_index()
    #print(tf)
    data = data[data['place_id'].isin(tf.place_id)]
    #print(data)
    # 把row_id删除
    data = data.drop(['row_id'], axis=1)

    # 取出数据当中的特征值和目标值

    x = data.drop(['place_id'], axis=1)

    y = data['place_id']

    # 进行数据的分割训练集合测试集
    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)#不需要再fit一次，平均值、标准差与测试集保持一致

    # 进行算法流程 # 超参数
    knn = KNeighborsClassifier()

    # 方法有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()

运行结果：

            row_id       x       y  accuracy    place_id  day  hour  weekday
600            600  1.2214  2.7023        17  6683426742    1    18        3
957            957  1.1832  2.6891        58  6683426742   10     2        5
4345          4345  1.1935  2.6550        11  6889790653    5    15        0
4735          4735  1.1452  2.6074        49  6822359752    6    23        1
5580          5580  1.0089  2.7287        19  1527921905    9    11        4
...            ...     ...     ...       ...         ...  ...   ...      ...
29100203  29100203  1.0129  2.6775        12  3312463746    1    10        3
29108443  29108443  1.1474  2.6840        36  3533177779    7    23        2
29109993  29109993  1.0240  2.7238        62  6424972551    8    15        3
29111539  29111539  1.2032  2.6796        87  3533177779    4     0        6
29112154  29112154  1.1070  2.5419       178  4932578245    8    23        3

[17710 rows x 8 columns]
预测的目标签到位置为： [3533177779 5035268417 2460093296 ... 4932578245 5270522918 5788646225]
预测的准确率: 0.4858156028368794

Process finished with exit code 0

数据的处理

1. 缩小数据集范围
   DataFrame.query()

2. 处理日期数据
   pd.to_datetime;
   pd.DatetimeIndex

3. 增加分割的日期数据

time_value = pd.DatetimeIndex(time_value);
data[‘day’] = time_value.day

4. 删除没用的日期数据
   pd.drop

5. 将签到位置少于n个用户的删除

place_count =data.groupby(‘place_id’).aggregate(np.count_nonzero);

tf = place_count[place_count.row_id > 3].reset_index()

data = data[data[‘place_id’].isin(tf.place_id)]

实例过程

1. 数据集的处理

• 由于数据量大，节约时间，x、y缩小
• 时间戳进行处理
• 删除少于指定签到人数的位置

2. 分割数据集

3. 对数据集进行标准化

4. estimator流程进行分类预测

k近邻算法问题

1. 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）影响，导致波动，比例变化。

2. 性能有限

k-近邻算法优缺点

• 优点：

简单，易于理解，易于实现，无需估计参数，无需训练

• 缺点：

懒惰算法，对测试样本分类时的计算量大，内存开销大；

必须指定K值，K值选择不当则分类精度不能保证

• 使用场景：小数据场景，几千～几万样本，具体场景具体业务
  去测试，基本不用。

k-近邻算法改进

加快搜索速度——基于算法的改进KDTree,API接口里面有实现。

k近邻算法作业

通过k-近邻算法对生物物种进行分类——鸢尾花(load_iris)

from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

def knncls():
    """
    #通过k-近邻算法对生物物种进行分类——鸢尾花(load_iris)
    :return: None
    """
    li = load_iris()

    # 取出数据当中的特征值和目标值

    x = li["data"]
    y = li["target"]
    # print("获取特征值:",x)
    # print("目标值:",y)

    # 进行数据的分割训练集合测试集
    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)#不需要再fit一次，平均值、标准差与测试集保持一致

    # 进行算法流程 # 超参数
    knn = KNeighborsClassifier()

   
    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()

运行结果：

预测的鸢尾花种类为： [2 1 2 2 2 0 0 1 0 2 1 2 2 0 1 0 0 0 0 0 0 0 2 1 0 0 2 1 0 2 1 0 0 2 2 1 2
 1]
预测的准确率: 1.0