机器学习算法基础3---分类算法--k近邻算法

目录

分类算法-k近邻算法（KNN）

计算距离公式

测试集与训练集

sklearn k-近邻算法API

k近邻算法实例-预测入住位置

---

---

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。通过你的“邻居”来推断出你的类别，KNN算法最早是由Cover和Hart提出的一种分类算法。重要思想：相似的样本，特征之间的值都是相近的。

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)。

k_近邻算法：需要做标准化处理。

测试集与训练集

用（训练集）来拟合模型中的参数，进而预测测试集，预测值和实际值的差别就可以用来衡量模型的预测性能

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

 

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

    print(data.head(10))

x,y定位的坐标，time时间戳，place_id 目标值(需要减少目标值)。

 # 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")

    # 处理时间的数据 将time转化日期格式
    time_value = pd.to_datetime(data['time'], unit='s')

    print(time_value)

把日期格式转换成 字典格式

DatetimeIndex

 # 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 按列
    data = data.drop(['time'], axis=1)
    print(data)

# 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")

    # 处理时间的数据 将time转化日期格式
    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)

    print(data)

    # 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)#删除place_id后剩下的为特征值

    # 进行数据的分割训练集合测试集 x特征值，y目标值，test_size测试集的大小
    #x_train,训练集的特征值 x_test,测试集的特征值 ,y_train,训练集的目标值 ,y_test,测试集的目标值。
    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 # 超参数
    knn = KNeighborsClassifier()#参数默认是5

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

    # 得出预测结果
    y_predict = knn.predict(x_test)#参数测试集的特征值

    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))

标准化

# 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)#不用fit计算得出规则，直接转换

由此可见，经过标准化后，预测的准确率提高了。k值取很小：容易受异常点影响。k值取很大：容易受最近数据太多导致比例变化。