【机器学习实战】利用sklearn基于KNN（K近邻）实现鸢尾花种类预测

1. KNN算法

1.1 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。

1.2 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

还有曼哈顿距离、明科夫斯基距离（欧氏距离、曼哈顿距离都是明科夫斯基距离的一种特殊情况）

1.3 K值的影响

1. K值过大，受样本不均衡的影响；
2. K值过小，容易受异常点的影响；

2. sklearn中KNN的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)

3. 代码实例

3.1 实现步骤

1. 获取数据
2. 数据集划分
3. 特征工程（标准化）
4. KNN预估器流程
5. 模型评估

3.2 代码

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier

def knn_iris():
    '''
    knn预测鸢尾花种类
    :return:
    '''
    # 1.获取数据
    iris = load_iris()

    # 2.数据集划分
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=6)

    # 3.特征工程（标准化）
    transfer = StandardScaler()
    # x_train,x_test的标准差、平均值得一样
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4.KNN算法预估器（n_neighbors就是K）
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train,y_train) # 完成训练

    # 5.模型评估
    # 5.1 方法1：直接对比真实值与预测值
    y_predict = estimator.predict(x_test)
    print('y_predict:\n', y_predict)
    print('直接对比真实值与预测值:\n', y_test == y_predict)

    # 5.1 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print('accuracy:\n', score)

    return None

if __name__ == '__main__':
    knn_iris()

效果：

4. 使用交叉验证对超参数进行优化

4.1 交叉验证（cross validation）

1. 目的：为了让被评估的模型更加准确可信
2. 交叉验证： 将拿到的训练数据，分为训练和验证集。
3. 以下图为例：将数据分成4份，其中一份作为验证集。然后经过4次(组)的测试，每次都更换不同的验证集。即得到4组模型的结果，取平均值作为最终结果。又称4折交叉验证。
   

4.2 超参数搜索-网格搜索(Grid Search)

通常情况下，有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫**超参数。**但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型。

4.3 sklearn中GridSearchCV的API

• sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)
  • 对估计器的指定参数值进行详尽搜索
  • estimator：估计器对象
  • param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}
  • cv：指定几折交叉验证
  • fit：输入训练数据
  • score：准确率
  • 结果分析：
    • bestscore:在交叉验证中验证的最好结果_
    • bestestimator：最好的参数模型
    • cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果

4.4 代码实例

4.4.1 数据集

鸢尾花数据集

4.4.2 代码

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV


def knn_iris():
    '''
    knn预测鸢尾花种类
    :return:
    '''
    # 1.获取数据
    iris = load_iris()

    # 2.数据集划分
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=6)

    # 3.特征工程（标准化）
    transfer = StandardScaler()
    # x_train,x_test的标准差、平均值得一样
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4.KNN算法预估器（n_neighbors就是K）
    estimator = KNeighborsClassifier(n_neighbors=5)
    estimator.fit(x_train, y_train)  # 完成训练

    # 5.模型评估
    # 5.1 方法1：直接对比真实值与预测值
    y_predict = estimator.predict(x_test)
    print('y_predict:\n', y_predict)
    print('直接对比真实值与预测值:\n', y_test == y_predict)

    # 5.1 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print('accuracy:\n', score)

    return None


def knn_iris_gridsearchC():
    '''
    knn预测鸢尾花种类(使用网格搜索优化超参数）
    :return:
    '''
    # 1.获取数据
    iris = load_iris()

    # 2.数据集划分
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=6)

    # 3.特征工程（标准化）
    transfer = StandardScaler()
    # x_train,x_test的标准差、平均值得一样
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4.KNN算法预估器
    estimator = KNeighborsClassifier()

    # 4.1 加入网格搜索与交叉验证
    param_dict = {'n_neighbors': [1, 3, 5, 7, 9, 11]}
    estimator = GridSearchCV(estimator, param_dict, cv=10)

    # 4.2 训练
    estimator.fit(x_train, y_train)  # 完成训练

    # 5.模型评估
    # 5.1 方法1：直接对比真实值与预测值
    y_predict = estimator.predict(x_test)
    print('y_predict:\n', y_predict)
    print('直接对比真实值与预测值:\n', y_test == y_predict)

    # 5.2 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print('accuracy:\n', score)

    # 5.3 参数
    print('最佳参数：\n', estimator.best_params_)
    print('最佳结果：\n', estimator.best_score_)
    print('最佳估计器：\n', estimator.best_estimator_)
    print('交叉验证结果：\n', estimator.cv_results_)

    return None


if __name__ == '__main__':
    knn_iris()
    # knn_iris_gridsearchC()

结果：

与3.2的结果，accuracy提高了一点点。