机器学习之K-近邻算法

估计器的工作流程

分类算法的依据是: 是对离散型变量进行处理

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

利用欧式距离求近邻距离：

举例:

原理: 相似的样本特征之间的值应该都是相近的。

结合我们之间讲的约会数据例子，在计算两个样本数据的举例特征有什么影响? 需要对数据做些什么？

• K-近邻算法需要做标准化处理

K = 1,3,5,6 这里是最后选几组数据来判断结果
code:

def knncls():
    '''K近邻预测用户签到'''
    # 读取数据
    data = pd.read_csv("/Users/guosihan/Desktop/ml/train.csv")
    # print(data.head(10))
    # 处理数据
    # 1.缩小数据的范围 条件方法 查询、筛选数据
    data = data.query("x > 1.0 & x < 1.2 & y > 2.5 & y < 2.75")
    # 处理时间数据
    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 = 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) # 1 表示 列
    # print(data)
    # 把签到数量少于3个的目标位置删除
    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)
    # 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()
    # 要对测试集合训练集特征值进行标准化
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)
    # 进行算法流程 # 超参数
    knn = KNeighborsClassifier(n_neighbors=5) # 这里是K值
    # 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:",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()

输出:

预测的目标签到位置: [3312463746 4932578245 1097200869 ... 1812226671 2355236719 1097200869]
预测的准确率: 0.4153846153846154

注 : 如果不进行标准化 预测准确率只有0.04 所以标准化是必须的

k值取多大，有什么影响
k取值很小时: 容易受异常点影响
k取值很大时:容易受k值数量(类别)波动