scikit-learn 估计器 · 距离方法

本节和后面几个章节，将记录scikit-learn估计器。

估计器主要用于分类任务，主要有两个函数：

fit() :  训练算法。2个参数：训练数据集，类别。

predict() : 预测算法，用以预测测试集类别，返回类别数组。 1个参数：测试集。

邻近算法

对新个体分类时，需要查找训练集，找到与该新个体最相似的个体，然后根据该个体所属类别将新个体归类到该类别下。

例如：当我们要预测三角形类别时，先找到与它最近距离的是三个菱形和一个圆形，但是菱形的数量大于圆形，故预测三角形的类别时菱形。

举例-邻近算法

缺点：不适合大数据集，且数据特征值呈离散分布。

距离度量

在讲到邻近算法时，我们说到距离。即，当你要对个体分类时，往往需要知道该个体与其他个体之间的距离。下面分别简要介绍三种距离方法。

欧氏距离

欧式距离，是利用勾股定理测量得到的真实距离，即两个特征向量长度平方和的平方根。

缺点：如果特征值之间存在较大差异时，或者存在稀疏矩阵时，精确度就会明显的降低。

曼哈顿距离

两个特征在标准坐标系中绝对轴距之和。

异常值对曼哈顿距离的影响，小于欧式距离。

但是，如果数据集中某些特征值很大，这些特征会掩盖其他特征间的邻近关系。

余弦距离

指的是特征向量夹角的余弦值。

更适合处理异常值和稀疏数据的问题。

适用于特征向量很多的情况，但其也忽略了向量长度所包含的在某些场景下可能会有用的信息。

所以，距离问题的解决方法的选择，将直接影响到分类的结果。

下一节中，通过我们将讲解如何通过欧式距离进行分类。