KNN最邻近规则分类-邻近取样

1. 综述

 1.1 Cover和Hart在1968年提出了最初的邻近算法
 1.2 分类(classification)算法
 1.3 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)

基于实例（根据已有的例子学习），懒惰学习（没有模型）
根据距离进行学习

2. 例子：

Paste_Image.png

未知电影属于什么类型？

Paste_Image.png

前三个为一组，后三个为一组，k为3

Paste_Image.png

3. 算法详述

 3.1 步骤：
 为了判断未知实例的类别，以所有已知类别的实例作为参照
 选择参数K（距离最近的个数的考虑范围）
 计算未知实例与所有已知实例的距离
 选择最近K个已知实例
 根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别

Paste_Image.png

3.2 细节:
关于K（K很重要，决定了参考类别的数量），通常为奇数
关于距离的衡量方法:
3.2.1 Euclidean Distance 定义

Paste_Image.png

Paste_Image.png

其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）
3.3 举例

Paste_Image.png

4. 算法优缺点：

 4.1 算法优点
      简单
      易于理解
      容易实现
      通过对K的选择可具备丢噪音数据的健壮性

4.2 算法缺点

Paste_Image.png

（1）需要 大量空间储存所有已知实例（需要存储所有点计算距离）
（2）算法复杂度高（需要比较所有已知实例与要分类的实例）
（3）当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本

5. 改进版本

  考虑距离，根据距离加上权重
  比如: 1/d (d: 距离）