day05——K-近邻算法

一、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。

两个样本的距离可以通过如下公式计算，又叫欧式距离

二、API

# n_neighbors：int,可选（默认= 5），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)
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')

三、实操：预测签到位置

预测一个人签到的地方。在一个由 10 km x 10km 的正方形区域，对于给定的一组坐标，任务是返回一个最有可能的地方的排名列表。
给出的数据被制造成类似于来自移动设备的位置信号，需要处理不准确和嘈杂的位置数据，同时存在的不一致和错误的位置数据可能会破坏签到。

1，数据获取

数据存放在 train.csv 文件中，有以下特征值

字段说明：

row_id：登记事件的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

2，数据基本处理

• 缩小数据集范围，对数据进行逻辑筛选 DataFrame.query()
• 删除没用的日期数据 DataFrame.drop（可以选择保留）
• 将签到位置少于n个用户的删除

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

3，预测算法代码

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

# 读取数据
data = pd.read_csv("train.csv")

# 数据逻辑筛选操作 df.query()
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")

# 删除time这一列特征
data = data.drop(['time'], axis=1)

# 删除入住次数少于三次位置
place_count = data.groupby('place_id').count()
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
    
# 取出特征值和目标值
y = data['place_id']
# drop：数据删减，axis为1时表示删除列
x = data.drop(['place_id', 'row_id'], axis=1)

# 数据分割
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)

std = StandardScaler()

# 对训练集进行标准化
x_train = std.fit_transform(x_train)

# 对测试集进行标准化
x_test = std.fit_transform(x_test)

# 算法输入训练预测
# 参数K值：理论上：k = 根号(样本数)，可轮流试出最好的参数[1,3,5,10,20,100,200]
knn = KNeighborsClassifier(n_neighbors=20)

# 调用fit()
knn.fit(x_train, y_train)

# 预测测试数据集，得出准确率
y_predict = knn.predict(x_test)

print("预测测试集类别：", y_predict)
print("准确率为：", knn.score(x_test, y_test))

由于数据量不足，运行结果预测值准确率只有百分之几，可以增加数据或者使用参数调优方法来提高准确率

四、调优

1，什么是交叉验证

将拿到的训练数据，分为训练和验证集。以下图为例：将数据分成5份，其中一份作为验证集。然后经过5次(组)的测试，每次都更换不同的验证集。即得到5组模型的结果，取平均值作为最终结果。又称5折交叉验证。

2，超参数搜索-网格搜索(Grid Search)

通常情况下，很多参数需要手动指定的（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。

sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)
# 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

3，调优代码

对上述案例 ”签到位置预测“ K值调优

from sklearn.model_selection import GridSearchCV

# 使用网格搜索和交叉验证找到合适的参数
knn = KNeighborsClassifier()
param = {"n_neighbors": [3, 5, 10]}
gc = GridSearchCV(knn, param_grid=param, cv=2)
gc.fit(x_train, y_train)

print("选择了某个模型测试集当中预测的准确率为：", gc.score(x_test, y_test))
# 训练验证集的结果
print("在交叉验证当中验证的最好结果：", gc.best_score_)
print("gc选择了的模型K值是：", gc.best_estimator_)
print("每次交叉验证的结果为：", gc.cv_results_)

五、KNN 算法总结

优点：
简单，易于理解，易于实现，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