KNN 算法-理论篇-如何给电影进行分类

KNN 算法的全称是K-Nearest Neighbor，中文为K 近邻算法，它是基于距离的一种算法，简单有效。

KNN 算法即可用于分类问题，也可用于回归问题。

1，准备电影数据

假如我们统计了一些电影数据，包括电影名称，打斗次数，接吻次数，电影类型，如下：

电影名称	打斗次数	接吻次数	电影类型
黑客帝国	115	6	动作片
功夫	109	8	动作片
战狼	120	9	动作片
恋恋笔记本	5	78	爱情片
泰坦尼克号	6	60	爱情片
花样年华	8	69	爱情片

可以看到，电影分成了两类，分别是动作片和爱情片。

2，用KNN 算法处理分类问题

如果现在有一部新的电影A，它的打斗和接吻次数分别是80 和7，那如何用KNN 算法对齐进行分类呢？

我们可以将打斗次数作为X 轴，接吻次数作为Y 轴，将上述电影数据画在一个坐标系中，如下：

关于如何用Python 画图，可以参考文章《如何使用Python 进行数据可视化》

通过上图可以直观的看出，动作电影与爱情电影的分布范围是不同的。

KNN 算法基于距离，它的原理是：选择与待分类数据最近的K 个点，这K 个点属于哪个分类最多，那么待分类数据就属于哪个分类。

所以，要判断电影A 属于哪一类电影，就要从已知的电影样本中，选出距离电影A 最近的K 个点：

• 如果这K 个点中，属于动作电影较多，那么电影A 就属于动作电影。
• 如果这K 个点中，属于爱情电影较多，那么电影A 就属于爱情电影。

比如，我们从样本中选出三个点（即 K 为 3），那么距离电影A 最近的三个点是《功夫》，《黑客帝国》和《战狼》，而这三部电影都是动作电影。因此，可以判断电影A 也是动作电影。

另外，我们还要处理两个问题：

1. 如何判断点之间的距离。
2. 如何确定K 的值。

关于点之间的距离判断，可以参考文章《计算机如何理解事物的相关性》。

至于K 值的选择，K 值较大或者较小都会对模型的训练造成负面影响，K 值较小会造成过拟合，K 值较大欠拟合。

因此，K 值的选择，一般采用交叉验证的方式。

交叉验证的思路是，把样本集中的大部分样本作为训练集，剩余部分用于预测，来验证分类模型的准确度。一般会把 K 值选取在较小范围内，逐一尝试K 的值，当模型准确度最高时，就是最合适的K 值。

可以总结出，KNN 算法用于分类问题时，一般的步骤是：

1. 计算待分类物体与其他物体之间的距离；
2. 按照距离进行排序，统计出距离最近的 K 个邻居；
3. K 个最近的邻居，属于哪个分类最多，待分类物体就属于哪一类。

3，用KNN 算法处理回归问题

如果，我们现在有一部电影B，知道该电影属于动作电影，并且知道该电影的接吻次数是7，现在想预测该电影的打斗次数是多少？

这个问题就属于回归问题。

分类问题的预测结果是离散值，
回归问题的预测结果是连续值。

首先看下，根据已知数据，如何判断出距离电影B 最近的K 个点。

我们依然设置K 为3，已知数据为：

• 电影B 属于动作电影。
• 电影B 的接吻次数是 7。

根据已知数据可以画出下图：

图中我画出了一条水平线，这条线代表所有接吻次数是7 的电影，接下来就是要找到距离这条线最近的三部（K 为 3）动作电影。

可以看到，距离这条水平线最近的三部动作电影是《功夫》，《黑客帝国》和《战狼》，那么这三部电影的打斗次数的平均值，就是我们预测的电影B 的打斗次数。

所以，电影B 的打斗次数是：

• (115 + 109 +120) / 3 ≈ 115

4，总结

本篇文章主要介绍了KNN 算法的基本原理，它简单易懂，即可处理分类问题，又可处理回归问题。

KNN 算法是基于距离的一种机器学习算法，需要计算测试点与样本点之间的距离。因此，当数据量大的时候，计算量就会非常庞大，需要大量的存储空间和计算时间。

另外，如果样本数据分类不均衡，比如有些分类的样本非常少，那么该类别的分类准确率就会很低。因此，在实际应用中，要特别注意这一点。

（本节完。）

---

推荐阅读：

决策树算法-理论篇-如何计算信息纯度

决策树算法-实战篇-鸢尾花及波士顿房价预测

朴素贝叶斯分类-理论篇-如何通过概率解决分类问题

朴素贝叶斯分类-实战篇-如何进行文本分类

计算机如何理解事物的相关性-文档的相似度判断