机器学习——KNN算法

1、：前提知识

• KNN算法是机器学习算法中用于分类或者回归的算法，KNN全称为K nearest neighbour（又称为K-近邻算法）

• 原理：K-近邻算法采用测量不同特征值之间的距离的方法进行分类。

• 优点：精度高

• 缺点：时间和空间复杂度高

• K近邻算法思想：有N个样本分布在m个类别中，要判定第x个样本为什么类别，就要求出x到N个样本每个样本的距离集合，从中找出K个最近的样本，然后通过k个样本的比例判断x所属类别，例如在k个样本中第一类占比较多，就判定x是第一类数据。注意：计算x到N个样本之间的距离方法有两种，第一种是曼哈顿距离，第二种是欧式距离，他们的计算如下：
  
  可以看出，曼哈顿距离计算复杂度较低，计算速度快。

• 实现方法：基于谷歌公司开发的第三方python库sklearn

• 实现步骤：

  • 1、导入numpy、pandas、matplotlib、from sklearn.neighbors import KNeighborsClassifier第三方库
  • 2、导入原始数据（导入数据后可以通过散点图进行数据可视化简单了解下数据）
  • 3、将数据划分为训练数据（x_train、y_train）和测试数据（x_test、y_test），注意：在KNN中输入数据x为二维数据，输出数据y为一维数据。（注意：二维数据代表数据只能有行和列两个维度，但x可以有多个，x也叫做特征，输入数据必须是数值型数据，如果不是就需要转换为数值型数据。输出数据也就是目标数据可以是数值和字符串）
  • 4、设定KNN算法参数，引入KNN模型
  • 5、通过fit函数输入训练数据，训练KNN模型
  • 6、通过测试数据测试KNN模型
  • 7、计算模型准确率

---

2、案例：

• 我有一份原始数据，数据中有两个变量，分别为“武打镜头”和“接吻镜头”，通过这两个变量可以判断这部影片为动作片还是爱情片，规则就是：武打镜头大于接吻镜头为动作片，武打镜头小于接吻镜头为爱情片，原始数据如下：
  
• 代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 导入KNN分类库
from sklearn.neighbors import KNeighborsClassifier

# 1、导入数据
movie = pd.read_excel('./tests.xlsx',sheet_name="Sheet2")
# 2、数据可视化
plt.scatter(movie.loc[:,'武打镜头'],movie.loc[:,'接吻镜头'])
plt.show
# 3、训练数据赋值,x(二维)、y(一维)
x_train = movie.loc[:,['武打镜头','接吻镜头']]
y_train = movie.loc[:,'分类情况']
print(type(x_train),type(y_train))
# 4、设置KNN参数（近邻数量为5，距离计算方法为曼哈顿），引入KNN模型
KNN = KNeighborsClassifier(n_neighbors=5,p=1)
# 5、训练模型
KNN.fit(x_train,y_train)
# 6、设置测试数据测试训练完的KNN模型
x_test = np.array([[30,2],[3,36],[2,15],[30,2]])
y_test = np.array(['动作片','爱情片','爱情片','动作片'])
y_pred = KNN.predict(x_test)
print(y_pred)
# 7、计算测试集准确率（accuracy）
KNN.score(x_test,y_test)

---

3、鸢尾花分类任务实战：

• 1、学习sklearn中自带的数据集调用方法
  • 导入鸢尾花数据集：from sklearn.datasets import load_iris（同过tab键代码补齐的方法就能靠大概记忆输入此行代码）
  • 使用数据集：load_iris()，如下所示为调用结果，结果为字典形式，其中data为数据键，对应的值为array二维数组（150行*4列），其中第一列特征为花萼的长度（sepal length (cm)）,第二列特征为花萼的宽度’sepal width (cm)‘,第三列特征为花瓣的长度’petal length (cm)’，第四列特征为花瓣的宽度 ‘petal width (cm)’。target键对应的为150组数据对应的分类标签，其中0代表’setosa’鸢尾花,1 代表’versicolor’鸢尾花, 2代表’virginica’鸢尾花。其他键表示的就是一些数据集的相关信息。
• 2、通过字典调用方式获取数据集中的相关数据，再根据pandas或者numpy处理数据。

# 获取输入数据
data = s_data['data']
pd.DataFrame(data)
# 获取输出数据
target = s_data['target']

• 3、将数据集划分为训练数据和测试数据（使用sklearn库中model_selection模块中的train_test_split函数）

# 导入sklearn自带的切分训练数据和测试数据的包
from sklearn.model_selection import train_test_split

# 将数据切分为训练集输入、训练集输出、测试集输入、测试集输出
# test_size的参数如果是整数就会从所有数据中取多少条作为测试数据
# test_size的参数如果是0~1的小数就会从所有数据中按比例取多少条作为测试数据
# random_state参数可以让每次数据切分都一样
x_train, x_test, y_train, y_test = train_test_split(data,target,test_size=10)

• 4、导入KNN模型，训练数据，并测试分类效果

# 获取KNN算法
KNN = KNeighborsClassifier()
# 训练KNN算法
model = KNN.fit(x_train,y_train)
# 测试模型分类效果
model.predict(x_test)
print(y_test)
# 计算分类准确度
model.score(x_test,y_test)

---

4、补充（这部分内容不一定会用到，但用到可以查）

• 1、DataFrame数据可以直接用matplotlib中的plot画出数据的折线图，下面的例子是画出鸢尾花数据集的特征数据折线图

s_data = load_iris()
# 获取输入数据
data = s_data['data']
data = pd.DataFrame(data,columns=s_data['feature_names'])
# 用DataFrame直接画图查看数据集
data.plot()

• 2、绘制分类分界图：目的是将一个数据集中的数据放在一个坐标系中，然后让除了数据以外坐标系中其他区域也显示分类情况

# 1、先划分坐标系
x = np.linspace(data2.iloc[:, 0].min(), data2.iloc[:, 0].max(), 1000)   # 把x等分成1000份
y = np.linspace(data2.iloc[:, 1].min(), data2.iloc[:, 1].max(), 1000)   # 把y等分成1000份

X, Y = np.meshgrid(x, y) # 按行复制y个x，按列复制x个y
XY = np.c_[X.ravel(), Y.ravel()] # 将x扁平化，将y扁平化，再一对一组合，最终XY形状为(1000000, 2)
# 用KNN模型预测
knn = KNeighborsClassifier()
knn.fit(data2, target)
y_pred = knn.predict(XY)
y_pred
# 分界图
plt.scatter(XY[:, 0], XY[:, 1], c=y_pred)

注意：上面绘图需要等待，可以使用matplotlib自带的绘图函数，绘图就不用等待了。
pcolormesh(): 画分界图，边界图
plt.pcolormesh(X, Y, y_pred.reshape(1000, 1000))

• 3、保存模型和加载模型

# 保存模型
import joblib
joblib.dump(模型名称,"模型存储路径.plk")

# 加载模型
import joblib
joblib.load("模型存储路径.plk")