K近邻算法用作回归的使用介绍（使用Python代码）

介绍

在我遇到的所有机器学习算法中，KNN是最容易上手的。尽管它很简单，但事实上它其实在某些任务中非常有效（正如你将在本文中看到的那样）。

甚至它可以做的更好？它可以用于分类和回归问题！然而，它其实更擅长用于分类问题。我很少看到KNN在任何回归任务上实现。 我在这里的目的是说明并强调，当目标变量本质上是连续的时，KNN是如何有效的运作的。

image

在本文中，我们将首先了解KNN算法背后的思维，研究计算点与点之间距离的不同方法，然后最终在Big Mart Sales数据集上用Python实现该算法。让我们动起来吧

学习Python中的小伙伴，需要学习资料的话，可以到我的微信公众号：Python学习知识圈，后台回复：“01”，即可拿Python学习资料

1.用简单的例子来理解KNN背后的逻辑

让我们从一个简单的例子开始。请考虑下表 - 它包含10人的身高，年龄和体重（目标）值。如你所见，缺少ID11的重量值。我们需要根据他们的身高和年龄来预测这个人的体重。

注意：此表中的数据不代表实际值。它仅用作一个例子来解释这个概念。

image

为了更清楚地了解这一点，下面是上表中高度与年龄的关系图：

image

在上图中，y轴表示人的身高（以英尺为单位），x轴表示年龄（以年为单位）。这些点是根据ID值进行编号。黄点（ID 11）是我们的测试点。

如果我要求你根据图来确定ID11的重量，你的答案会是什么？你可能会说，因为ID11 更接近第5点和第1点，所以它必须具有与这些ID类似的重量，可能在72-77千克之间（表中ID1和ID5的权重）。这实际上是有道理的，但你认为算法会如何预测这些值呢？让我们在下边进行试验讨论。

2. KNN算法是怎样工作的

如上所述，KNN可用于分类和回归问题。该算法使用“ 特征相似性 ”来预测任何新数据点的值。这意味着新的点将根据其与训练集中的点的接近程度而进行分配。从我们的例子中，我们知道ID11的高度和年龄类似于ID1和ID5，因此重量也大致相同。

如果这是一个分类问题，我们会采用该模式作为最终预测。在这种情况下，我们有两个重量值--72和77.猜猜最终值是如何计算的？是取两个重量的平均值来作为最终的预测值。

以下是该算法的逐步说明：

1. 首先，计算新的点与每个训练点之间的距离。

image

1. 选择最接近的k个数据点（基于距离）。在我们演示的例子中，如果k的值为3，则将选择点1,5,6。我们将在本文后面进一步探索选择正确的k值的方法。

image

1. 这些数据点的平均值是新点的最终预测值。在这里，我们的ID11的重量为 =（77 + 72 + 60）/ 3 = 69.66千克。

在接下来的几节中，我们将详细讨论这三个步骤中的每一个。

3.点与点之间距离的计算方法

所述 第一步骤 是计算新点和每个训练点之间的距离。计算该距离有多种方法，其中最常见的方法是 - 欧几里德，曼哈顿（用于连续）和汉明距离（用于分类）。

1. 欧几里德距离： 欧几里德距离计算为新点（x）和现有点（y）之间的差的平方和的平方根。
2. 曼哈顿距离 ：这是实际向量之间的距离，使用它们的绝对差值之和表示。

image

1. 汉明距离 ：用于分类变量。如果值（x）和值（y）相同，则距离D将等于0。否则D = 1。

image

一旦一个新的观测值与我们训练集中的点之间的距离被测量出来，下一步就是要选择最近的点。要考虑的点的数量由k的值定义。

4.如何选择k因子

第二个步骤是选择k值。这决定了我们在为任何新的观察值赋值时所要考虑到的邻居的数量。

在我们的示例中，k值 = 3，最近的点是ID1，ID5和ID6。

image

image

ID11的重量预测将是：

ID11 =（77 + 72 + 60）/ 3

ID11 = 69.66千克

如果k的值 = 5的话，那么距离最近的点将是ID1，ID4，ID5，ID6，ID10。

image

image

那么ID11的预测将是：

ID 11 =（77 + 59 + 72 + 60 + 58）/ 5

ID 11 = 65.2千克

我们注意到，基于k值，最终结果将趋于变化。那我们怎样才能找出k的最优值呢？让我们根据我们的训练集和验证集的误差计算来决定它（毕竟，最小化误差是我们的最终目标！）。

请看下面的图表，了解不同k值的训练误差和验证误差。

image

image

对于非常低的k值（假设k = 1），模型过度拟合训练数据，这导致验证集上的高错误率。另一方面，对于k的高值，该模型在训练集和验证集上都表现不佳。如果仔细观察，验证误差曲线在k = 9的值处达到最小值。那么该k值就是是模型的最佳K值（对于不同的数据集，它将有所不同）。该曲线称为“ 肘形曲线 ”（因为它具有类似肘部的形状），通常用于确定k值。

你还可以使用网格搜索技术来查找最佳k值。我们将在下一节中实现这一点。

5.处理数据集（Python代码）

到目前为止，你应该清楚的了解这个算法。我们现在将继续在数据集上实现该算法。我使用Big Mart销售数据集来进行代码实现，你可以从此 链接 下载它，邀请码为b543。

1.阅读文件

import pandas as pd

df = pd.read_csv('train.csv')

df.head()

2.计算缺失值

df.isnull().sum()

输入Item_weight和Outlet_size中缺少的值

mean = df['Item_Weight'].mean() #imputing item_weight with mean

df['Item_Weight'].fillna(mean, inplace =True)

mode = df['Outlet_Size'].mode() #imputing outlet size with mode

df['Outlet_Size'].fillna(mode[0], inplace =True)

3.处理分类变量并删除id列

df.drop(['Item_Identifier', 'Outlet_Identifier'], axis=1, inplace=True)

df = pd.get_dummies(df)

4.创建训练集和测试集

from sklearn.model_selection import train_test_split

train , test = train_test_split(df, test_size = 0.3)

x_train = train.drop('Item_Outlet_Sales', axis=1)

y_train = train['Item_Outlet_Sales']

x_test = test.drop('Item_Outlet_Sales', axis = 1)

y_test = test['Item_Outlet_Sales']

5.预处理 - 扩展功能

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 1))

x_train_scaled = scaler.fit_transform(x_train)

x_train = pd.DataFrame(x_train_scaled)

x_test_scaled = scaler.fit_transform(x_test)

x_test = pd.DataFrame(x_test_scaled)

6.查看不同K值的错误率

导入所需要的包

from sklearn import neighbors

from sklearn.metrics import mean_squared_error

from math import sqrt

import matplotlib.pyplot as plt

%matplotlib inline

rmse_val = [] #存储不同K值的RMSE值

for K in range(20):

K = K+1

model = neighbors.KNeighborsRegressor(n_neighbors = K)

model.fit(x_train, y_train) #合适的模型

pred=model.predict(x_test) #对测试集进行测试

error = sqrt(mean_squared_error(y_test,pred)) #计算RMSE值

rmse_val.append(error) #存储RMSE值

print('RMSE value for k= ' , K , 'is:', error)

输出：

RMSE value for k = 1 is: 1579.8352322344945

RMSE value for k = 2 is: 1362.7748806138618

RMSE value for k = 3 is: 1278.868577489459

RMSE value for k = 4 is: 1249.338516122638

RMSE value for k = 5 is: 1235.4514224035129

RMSE value for k = 6 is: 1233.2711649472913

RMSE value for k = 7 is: 1219.0633086651026

RMSE value for k = 8 is: 1222.244674933665

RMSE value for k = 9 is: 1219.5895059285074

RMSE value for k = 10 is: 1225.106137547365

RMSE value for k = 11 is: 1229.540283771085

RMSE value for k = 12 is: 1239.1504407152086

RMSE value for k = 13 is: 1242.3726040709887

RMSE value for k = 14 is: 1251.505810196545

RMSE value for k = 15 is: 1253.190119191363

RMSE value for k = 16 is: 1258.802262564038

RMSE value for k = 17 is: 1260.884931441893

RMSE value for k = 18 is: 1265.5133661294733

RMSE value for k = 19 is: 1269.619416217394

RMSE value for k = 20 is: 1272.10881411344

根据K值绘制RMSE值

curve = pd.DataFrame(rmse_val) #elbow curve

curve.plot()

image

正如我们所讨论的，当我们取k = 1时，我们得到一个非常高的RMSE值。随着我们增加k值，RMSE值不断减小。在k = 7时，RMSE约为1219.06，并且随着K值在进一步增加，RMSE值会迅速上升。我们可以有把握地说，在这种情况下，k = 7会给我们带来最好的结果。

这些是使用我们的训练数据集进行的预测。现在让我们预测测试数据集的值并进行提交。

7.对测试数据集的预测

阅读测试和提交文件

test = pd.read_csv('test.csv')

submission = pd.read_csv('SampleSubmission.csv')

submission['Item_Identifier'] = test['Item_Identifier']

submission['Outlet_Identifier'] = test['Outlet_Identifier']

预处理测试数据集

test.drop(['Item_Identifier', 'Outlet_Identifier'], axis=1, inplace=True)

test['Item_Weight'].fillna(mean, inplace =True)

test = pd.get_dummies(test)

test_scaled = scaler.fit_transform(test)

test = pd.DataFrame(test_scaled)

预测测试集并创建提交文件

predict = model.predict(test)

submission['Item_Outlet_Sales'] = predict

submission.to_csv('submit_file.csv',index=False)

在提交此文件后，我得到的RMSE为1279.5159651297。

8.实现GridsearchCV

为了确定k的值，每次绘制肘部曲线是一个繁琐且繁琐的过程。 你只需使用gridsearch即可简单的找到最佳值。

from sklearn.model_selection import GridSearchCV

params = {'n_neighbors':[2,3,4,5,6,7,8,9]}

knn = neighbors.KNeighborsRegressor()

model = GridSearchCV(knn, params, cv=5)

model.fit(x_train,y_train)

model.best_params_

输出：

{'n_neighbors': 7}

6.结束语和其他资源

在本文中，我们介绍了KNN算法的工作原理及其在Python中的实现。它是最基本但最有效的机器学习技术之一。并且在本文中，我们是直接调用了Sklearn库中的KNN模型，如果你想更仔细的研究一下KNN的话，我建议你可以手敲一下有关KNN的源代码。