分类算法-k近邻算法

分类算法的判定依据：目标值为离散型

分类算法-k近邻算法（KNN）

基本概念：

举例：
根据特征判断：


以上可以通过与未知电影的距离得出一个未知电影的类型。

k近邻算法定义： 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
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近邻算法需要标准化

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

数据描述：

• train.csv 、 test.csv
• row_id:登记时间的ID
• xy:坐标
• 准确性：定位准确性
• 时间：时间戳
• place_id:业务的ID，这是您预测的目标

分析过程：
这是一个分类问题
特征值：x,y坐标，定位准确性，时间
处理：
1.数据太多了，缩小数据集范围，省时间

DataFrame.query()

2.时间戳进行（年月日周时分秒），当作新的特征，处理日期数据

pd.to_datetime
pd.DatetimeIndex

3.将签到位置少于n个用户的删除

place_count =data.groupby('place_id').aggregate(np.count_nonzero)tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]

代码实现：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split, GridSearchCV
import pandas as pd
from sklearn.preprocessing import StandardScaler

def knncls():
    """
    K-近邻预测用户签到位置
    :return:None
    """
    # 读取数据
    data = pd.read_csv(r"D:\研究生学习\机器学习\机器学习算法基础\数据集\facebook-v-predicting-check-ins(1)\train.csv")

    print(data.head(10))

    # 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")#query里可以直接查询

    # 处理时间的数据，把时间戳转换到时间年月日
    time_value = pd.to_datetime(data['time'], unit='s')#unit是默认转换的最小单位。

    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 #把所有样本的day，构成新的特征加入到data里面
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday

    # 把时间戳特征删除
    data = data.drop(['time'], axis=1)#前面已经把时间戳转化成三个新的特征了，这里就可以把时间戳删除了。sklearn里面1表示列



    print(data)

    # 把签到数量少于n个目标位置删除
    place_count = data.groupby('place_id').count()#以place_id 分组

    tf = place_count[place_count.row_id > 3].reset_index()#保留了大于三次的目标值，reset_index就把第一列变成一列索引

    data = data[data['place_id'].isin(tf.place_id)]#只保留大于3次的place_id

    #把row_id删除
    data =data.drop(['row_id'], axis=1)
    print(data)

    # 取出数据当中的特征值和目标值
    y = data['place_id']#把place_id取出来当作目标值

    x = data.drop(['place_id'], axis=1)#删除掉place_id，剩下的就都是特征值，按列删除

    # 进行数据的分割，分割成训练集和测试集
    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()

    # 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(n_neighbors=10)

    # fit， predict,score
    knn.fit(x_train, y_train)#把训练集传进去

    # 得出预测结果
    y_predict = knn.predict(x_test)#用测试集预测

    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))

    # 构造一些参数的值进行搜索
    param = {"n_neighbors": [3, 5, 10]}

    # 进行网格搜索
    gc = GridSearchCV(knn, param_grid=param, cv=2)

    gc.fit(x_train, y_train)

    # 预测准确率
    print("在测试集上准确率：", gc.score(x_test, y_test))

    print("在交叉验证当中最好的结果：", gc.best_score_)

    print("选择最好的模型是：", gc.best_estimator_)

    print("每个超参数每次交叉验证的结果：", gc.cv_results_)

    return None
if __name__ == "__main__":
    knncls()

k近邻算法的问题：

1.k值取多大？有什么影响？

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

2.性能问题：时间复杂度很高

k近邻算法的优缺点及使用场景

优点：
简单，易于理解，易于实现，无需估计参数，无需训练

缺点：
懒惰算法，对测试样本分类时的计算量大，内存开销大
必须指定K值，K值选择不当则分类精度不能保证

使用场景： 小数据场景，几千～几万样本，具体场景具体业务
去测试