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

你可能感兴趣的:(KNN 算法-理论篇-如何给电影进行分类)