前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >K近邻分类

K近邻分类

作者头像
故事尾音
发布2019-12-18 17:01:34
9060
发布2019-12-18 17:01:34
举报
文章被收录于专栏:NLP算法工程师之路

核心思想:基于距离的模板匹配 KNN是一种判别模型,即支持分类问题,也支持回归问题,是一种非线性模型,天然支持多分类,而且没有训练过程。

KNN算法的三要素

三个要素分别是:

  • K值的选取
  • 分类决策规则(多数投票法)
  • 距离度量的方式,一般有欧氏距离,曼哈顿距离,闵可夫斯基距离等

K值的选取

在上图中,紫色虚线是贝叶斯决策边界线,也是最理想的分类边界,黑色实线是KNN的分类边界。 K值的选取没有固定经验,一般根据样本分布选择一个较小的值,可以通过交叉验证确定;K值较小意味着整体模型变复杂,容易过拟合;K值增大意味着模型变简单。另外,K的取值尽量要取奇数,以保证在计算结果最后会产生一个较多的类别,如果取偶数可能会产生相等的情况,不利于预测。

KNN的实现

暴力实现
KD树实现

KNN的优缺点

KNN的主要优点有: 1) 理论成熟,思想简单,既可以用来做分类也可以用来做回归 2) 可用于非线性分类 3) 训练时间复杂度比支持向量机之类的算法低,仅为O(n) 4) 和朴素贝叶斯之类的算法比,对数据没有假设,准确度高,对异常点不敏感 5) 由于KNN方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,KNN方法较其他方法更为适合 6)该算法比较适用于样本容量比较大的类域的自动分类,而那些样本容量较小的类域采用这种算法比较容易产生误分

KNN的主要缺点有: 1)计算量大,尤其是特征数非常多的时候 2)样本不平衡的时候,对稀有类别的预测准确率低 3)KD树,球树之类的模型建立需要大量的内存 4)使用懒散学习方法,基本上不学习,导致预测时速度比起逻辑回归之类的算法慢 5)相比决策树模型,KNN模型可解释性不强

代码实现

numpy版本

代码语言:javascript
复制
import numpy as np
from math import sqrt
from collections import Counter
from matplotlib import pyplot as plt

class KNNClassifier:

    def __init__(self, k):
        """初始化kNN分类器"""
        assert k >= 1, "k must be valid"
        self.k = k
        self._X_train = None
        self._y_train = None

    def fit(self, X_train, y_train):
        """根据训练数据集X_train和y_train训练kNN分类器"""
        assert X_train.shape[0] == y_train.shape[0], \
            "the size of X_train must be equal to the size of y_train"
        assert self.k <= X_train.shape[0], \
            "the size of X_train must be at least k."

        self._X_train = X_train
        self._y_train = y_train
        return self

    def predict(self, X_predict):
        """给定待预测数据集X_predict,返回表示X_predict的结果向量"""
        assert self._X_train is not None and self._y_train is not None, \
                "must fit before predict!"
        assert X_predict.shape[1] == self._X_train.shape[1], \
                "the feature number of X_predict must be equal to X_train"

        y_predict = [self._predict(x) for x in X_predict]
        return np.array(y_predict)

    def _predict(self, x):
        """给定单个待预测数据x,返回x的预测结果值"""
        assert x.shape[0] == self._X_train.shape[1], \
            "the feature number of x must be equal to X_train"

        distances = [sqrt(np.sum((x_train - x) ** 2))
                     for x_train in self._X_train]
        nearest = np.argsort(distances)

        topK_y = [self._y_train[i] for i in nearest[:self.k]]
        votes = Counter(topK_y)

        return votes.most_common(1)[0][0]

    def __repr__(self):
        return "KNN(k=%d)" % self.k

if __name__ == '__main__':


    X = [[3.393533211, 2.331273381],
         [3.110073483, 1.781539638],
         [1.343808831, 3.368360954],
         [3.582294042, 4.679179110],
         [2.280362439, 2.866990263],
         [7.423436942, 4.696522875],
         [5.745051997, 3.533989803],
         [9.172168622, 2.511101045],
         [7.792783481, 3.424088941],
         [7.939820817, 0.791637231]
         ]
    y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

    X_train = np.array(X)
    y_train = np.array(y)

    x_predict = np.array([8.093607318, 3.36571514])

    plt.scatter(X_train[y_train == 0, 0], X_train[y_train == 0, 1], color='g')
    plt.scatter(X_train[y_train == 1, 0], X_train[y_train == 1, 1], color='r')
    plt.scatter(x_predict[0],x_predict[1], color='b')

    plt.show()

    model = KNNClassifier(k=3)
    model.fit(X_train,y_train)
    result = model.predict(np.expand_dims(x_predict,0))
    print("class:",result)

tensorflow版本 kd树版本

面试常见问题

  • 简述一下KNN算法的原理
  • KNN算法有哪些优点和缺点?
  • 不平衡的样本可以给KNN的预测结果造成哪些问题,有没有什么好的解决方式?
  • 为了解决KNN算法计算量过大的问题,可以使用分组的方式进行计算,简述一下该方式的原理。
  • 什么是欧氏距离和曼哈顿距离? 欧式距离: D(x, y)=\sqrt{\left(x_{1}-y_{1}\right)^{2}+\left(x_{2}-y_{2}\right)^{2}+\ldots+\left(x_{n}-y_{n}\right)^{2}}=\sqrt{\sum_{i=1}^{n}\left(x_{i}-y_{i}\right)^{2}}曼哈顿距离: D(x, y)=\left|x_{1}-y_{1}\right|+\left|x_{2}-y_{2}\right|+\ldots+\left|x_{n}-y_{n}\right|=\sum_{i=1}^{n}\left|x_{i}-y_{i}\right|闵可夫斯基距离: D(x, y)=\sqrt[\psi]{\left(\left|x_{1}-y_{1}\right|\right)^{p}+\left(\left|x_{2}-y_{2}\right|\right)^{p}+\ldots+\left(\left|x_{n}-y_{n}\right|\right)^{p}}=\sqrt{\sum_{i=1}^{n}\left(\left|x_{i}-y_{i}\right|\right)^{p}}
  • KNN中的K如何选取的? ①k值较小时,相当于用较小的邻域中的训练实例进行预测,近似误差会减小,只有与输入实例很相近的样本才会对预测结果起作用。估计误差会增大,整体模型会变得复杂,容易过拟合。 ②选取较大的k值是,相当于用较大的邻域中的训练实例进行预测,可以减少学习的估计误差,但是近似误差会增大,因为离输入实例较远的样本也对预测结果起作用,容易使预测发生错误。k过大导致模型变得简单。 ③在选取k上,一般取比较小的值,并采用交叉验证法进行调优。 K的取值尽量要取奇数,以保证在计算结果最后会产生一个较多的类别,如果取偶数可能会产生相等的情况,不利于预测。
  • 什么是KD树?
  • KD树建立过程中切分维度的顺序是否可以优化?
  • KD树每一次继续切分都要计算该子区间在需切分维度上的中值,计算量很大,有什么方法可以对其进行优化?
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019-07-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • KNN算法的三要素
  • K值的选取
  • KNN的实现
  • KNN的优缺点
  • 代码实现
  • 面试常见问题
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档