Machine Learning（一）KNN算法

---

前言

$k$近邻法是一种基本的分类方法。$k$近邻法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别。$k$近邻法实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型”，所以说不具有显示的学习过程。$k$值得选择、距离度量及分类决策规则是$k$近邻法得三个基本要素。

---

一、$k$近邻算法

输入：训练数据集
$$T=\{(x_1,y_1),(x_2,y_2),\cdots ,(x_N,y_N)\}$$
其中，$x_i\in \chi \subseteq {\mathbf{R}}^n$为实例的特征向量，$y_i\in Y=\{c_1,c_2,\cdots ,c_K\}$为实例的类别，$i=1,2,\cdots ,N$。
输出：实例$x$所属的类$y$。

1. 根据给定的距离度量，在训练集$T$中找出与$x$最邻近的$k$个点，涵盖这$k$个点的$x$的邻域记作$N_k(x)$;
2. 在$N_k(x)$中根据分类决策规则（如多数表决）决定$x$的类别$y$:
   $$y=\text{arg}\underset{c_j}{\max }\sum _{x_i\in N_k(x)}I(y_i=c_j),i=1,2,\cdots ,N,j=1,2,\cdots ,K$$
   其中，$I$为指示函数，即当$y_i=c_j$时$I$为1，否则$I$为0。

$k$近邻法的特殊情况是$k=1$的情形，称为最邻近算法。

二、三个基本要素

1.距离度量

$k$近邻模型的特征空间一般是$n$维实数向量空间${\mathbf{R}}^n$。使用的是欧氏距离，但也可是其他距离。如更一般的$L_p$距离。定义空间中两点$x_1=(x_1^1,x_1^2,\cdots ,x_1^n{)}^T,x_2=(x_2^1,x_2^2,\cdots ,x_2^n{)}^T$的$L_p$距离定义为
$$L_p(x_1,x_2)={\left(\sum _{l=1}^n|x_1^l-x_2^l{|}^p\right)}^{\frac{1}{p}}$$
当$p=2$时，称为欧氏距离，当$p=1$时，称为曼哈顿距离。

2.$k$值的选择

  $k$值得选择会对$k$近邻法的结果产生重大影响。
  如果选择较小的$k$值，就相当于用较小的邻域中的训练实例进行预测，预测结果会对近邻的实例点非常敏感。如果临近的实例点恰巧是噪声，预测就会出错。换句话说,$k$值得减小就意味着整体模型变得复杂，容易发生过拟合。
  如果选择较大的$k$值，就相当于用较大邻域中的训练实例进行预测，这时与输入实例较远的（不相似的）训练实例也会对预测起作用，使预测发生错误。$k$值的增大就意味着整体模型变得简单。
  在应用中，$k$值一般取一个比较小的数值。通常采用交叉验证法来选取最优的$k$值。

3.分类决策规则

这里的分类决策规则就是多数表决，即由输入实例的$k$个邻近的训练实力中的多数类决定输入实力的类。

---

三、$kd$树

  通过上面的学习，我们就已经明白了$k$近邻算法的具体步骤，这时你可以采用python等语言的编程实现$k$近邻算法。
  但是如果训练集中的实例的维数很大以及训练数据容量很大时，我们如果一一计算训练集中的实例点与预测点之间的欧氏距离，并且找出$k$个近邻时计算非常耗时，这种方法是不可行的。为了提高$k$近邻搜索的效率，可以考虑使用特殊的结构存储训练数据，以减少计算距离的次数。具体方法很多，这里介绍其中一种$kd$树的方法。

1.构造平衡$kd$树

  构造平衡$kd$树。

1. 开始：构造根节点，根节点包含$T$的$k$维空间的超矩形区域。 选择$x^1$为坐标轴，以$T$中所有实例的$x^1$坐标的中位数为切分点，将根节点对应的超矩形区域切分为两个子区域。
   由根结点生成深度为1的左、右子节点：左子结点对应坐标$x^1$小于切分点的子区域，右子节点对应坐标$x^1$大于切分点的子区域。
   将落在切分超平面的实例点保存在根结点。
2. 重复：对深度为$j$的结点，选择$x^l$为切分轴，$l=j(\text{mod}k)+1$，以该结点的区域中所有实例的$x^l$坐标的中位数为切分点，将该结点对应的超矩形区域切分为两个子区域。
   由该结点生成深度为$j+1$的左、右子结点：左子节点对应坐标$x^l$小于切分点的子区域，右子结点对应坐标$x^l$大于切分点的子区域。
   将落在切分超平面上的实例点保存在该结点。
3. 指导两个子区域内没有实例存在是停止，从而形成$kd$树的区域划分。

我们直接使用一个例子来展示如何构造$kd$树。
给定一个二维空间的训练数据集
$$T=\{(2,3{)}^T,(5,4{)}^T,(9,6{)}^T,(4,7{)}^T,(8,1{)}^T,(7,2{)}^T\}$$
构造一个平衡$kd$树。

1. 第一步，以$x^1$为切分的坐标轴，$x^1$维度上的中位数为7，所以我们以7为切分点对数据进行切分。如下图所示：
   
   此时将$(7,2)$点保存在根结点（深度为0），左区域有三个点，右区域有两个点。
2. 第二步，此时结点的深度为1，$l=1(mod2)+1=2$，选择$x^2$为切分的坐标轴。左区域中$x^2$维度上的中位数为4，右区域中$x^2$维度上的中位数为6，据此对左右区域进行切分。如下图所示：
   
   此时的$kd$树如下所示：
   
3. 第三步，此时的结点的深度为2，$l=2(mod2)+1=1$，选择$x^1$为切分的坐标轴。切分后如下图所示：
   
   kd树如下图所示：
   

至此我们发现所有的区域中已经没有实例存在（也就是说没有实例点可以进行划分），所以停止$kd$树的区域划分。

2.用$kd$树进行最近邻搜索

上一节我们已经介绍了如何构造$kd$树，本节我们介绍如何使用$kd$树进行最近邻搜索。
算法如下：
输入：已构造的$kd$树，目标点$x$。
输出：$x$的最近邻。

1. 从根结点出发，递归地向下访问$kd$树。若目标点$x$当前维的坐标小于切分点的坐标，则移动到左子节点，否则移动到右子结点，直到子结点为叶结点为止。
2. 令此叶节点为“当前最近点”（计算点$x$与此叶结点的距离）。
3. 递归地向上回退，在每个结点（记为$o$）进行以下操作：
   • (a)如果该结点$o$保存的实例点与点$x$的距离比当前最近点距离点$x$更近，则以该实例点$o$作为“当前最近点”。
   • (b)当前最近点一定存在于该结点$o$一个子结点对应的区域。检查该子结点的父结点$o$的另一子结点对应的区域是否有更近的点。具体地，检查另一子节点对应的区域是否与以目标点$x$为球心，以目标点与“当前最近点”间的距离为半径的超球体相交。如果相交，可能在另一个子节点对应的区域内存在距目标点更近的点，移动到另一个子节点。接着，递归地进行最近邻搜索，如果不相交，向上回退。
4. 当回退到根结点时，搜索结束。最后的“当前最近点”即为$x$的最近邻点。

我们用一个实例来演示$kd$树进行最近邻搜索的过程。目标点是$x(2,4.5)$，要找到$x$的最近邻。
按照算法流程，第一步结束后，我们移动到$(4,7)$点。移动路径是：$(7,2)-(5,4)-(4,7)$。
第二步：令叶节点$(4,7)$为当前最近点$o$。目标点与最近点$o$的距离是为3.202。
第三步：递归向上回退，回退到$(5,4)$点。(a)目标点与(5,4)之间的距离为：3.041，所以$(5,4)$点比当前最近点$o$距离目标点$x$更近，则更新当前最近点$o$为$(5,4)$。(b)以目标点$x$为圆心，以目标点与“当前最近点$o$”间的距离为半径的圆与当前最近点$o(5,4)$的另一个子节点$(2,3)$对应的区域相交。所以我们移动到$(2,3)$点，$(2,3)$点距离目标点比当前的最近点$o(5,4)$要近，所以最近点o更新为$(2,3)$。接着继续往上回退为$(7,2)$点，$(7,2)$点距离目标点比$(2,3)$点距离目标点要远。
第四步：回退到根结点，搜索结束。此时最近点$o(2,3)$为目标点$x(2,4.5)$的最近邻点。

整体的思路大概就是;

1. 先进行二分查找到叶结点
2. 回溯搜索路径
3. 检查另一子结点区域是否有更近的
4. 搜索另一个子空间
5. 最后回溯到根结点

四、参考链接

代码链接：https://github.com/zgaxddnhh/lihang-code
参考书籍：机器学习方法.李航