文章目錄
1.k近鄰算法(KNN)概述
定義:如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別
,則該樣本也屬於這個類別。
來源:KNN算法最早是由Cover和Hart提出的一種分類算法
如何計算距離?
兩個樣本的距離可以通過如下公式計算,又叫歐式距離
比如說,a(a1,a2,a3),b(b1,b2,b3)
兩個樣本的特徵數據之間差異比較大,會對結果產生較大影響,因此採用KNN需要做標準化處理
2.sklearn k-近鄰算法API
-
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
-
n_neighbors
:int,可選(默認= 5),k_neighbors查詢默認使用的鄰居數 -
algorithm:{‘auto’,‘ball_tree’,‘kd_tree’,‘brute’}
,可選用於計算最近鄰居的算法:‘ball_tree’將會使用 BallTree,‘kd_tree’將使用 KDTree。‘auto’將嘗試根據傳遞給fit方法的值來決定最合適的算法。 (不同實現方式影響效率)
3.實例流程
(1)數據集的處理
(2)分割數據集
(3)對數據集進行標準化
(4)estimator流程進行分類預測
3.1 鳶尾花分類
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
def knn_iris():
"""
K-近鄰預測用戶簽到位置
:return:None
"""
li = load_iris()
x_train, x_test, y_train, y_test = train_test_split(li.data, li.target, test_size=0.3)
# 特徵工程(標準化)
std = StandardScaler()
# 對測試集和訓練集的特徵值進行標準化
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
#進行算法流程 # 超參數
knn = KNeighborsClassifier()
# fit, predict,score
knn.fit(x_train, y_train)
# 得出預測結果
y_predict = knn.predict(x_test)
print("預測的目標籤到位置爲:", y_predict)
# 得出準確率
print("預測的準確率:", knn.score(x_test, y_test))
knn_iris()
>>>
預測的目標籤到位置爲: [0 0 1 0 1 2 2 1 1 0 1 2 2 2 0 2 1 2 1 2 0 1 2 0 2 1 0 2 2 0 1 1 1 1 2 0 0
2 1 2 2 2 1 0 2]
預測的準確率: 0.9777777777777777
這裏不進行標準化效果會更好
3.2 Facebook V: Predicting Check Ins | Kaggle
k近鄰算法實例-預測入住位置
流程
(1)數據集的處理
1、縮小數據集範圍
DataFrame.query()
2、處理日期數據
pd.to_datetime
pd.DatetimeIndex
3、增加分割的日期數據
4、刪除沒用的日期數據
pd.drop
5、將簽到位置少於n個用戶的刪除
place_count=data.groupby('place_id').aggregate(np.count_nonzero)
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
(2)分割數據集
(3)對數據集進行標準化
(4)estimator流程進行分類預測
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pandas as pd
def knncls():
#KNN預測用戶簽到位置
#(1)讀取
data=pd.read_csv("train.csv")
#print(data.head(10))
#(2)處理
#1.縮小數據,查詢數據,篩選
data= data.query("x>1.0 & x<1.25 & y>2.5 & x<2.75 ")
#2.處理時間數據
time_value=pd.to_datetime(data['time'],unit='s')
#print(time_value)
#3.把日期格式轉換成字典格式
time_value=pd.DatetimeIndex(time_value)
#5.構造一些特徵,
data.loc[:,'day']=time_value.day
data.loc[:,'hour'] = time_value.hour
data.loc[:,'weekday'] = time_value.weekday
#6.把時間戳特徵刪除
data=data.drop(['time'],axis=1)
print(data)
#7.把簽到數量小於n個的刪除
place_count= data.groupby('place_id').count()
tf=place_count[place_count.row_id>5].reset_index()
data=data[data['place_id'].isin(tf.place_id)]
#8.取出數據中特徵值和目標值
y=data['place_id']
x=data.drop(['place_id','row_id'],axis=1)
#9.數據分割,分割成訓練集和測試集
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
#(3)特徵工程
std=StandardScaler()
#對測試集和訓練集的特徵值進行標準化處理
x_train=std.fit_transform(x_train)
x_test=std.transform(x_test)
#(4)進行算法流程
knn=KNeighborsClassifier(n_neighbors=10)
#1.fit,predict,score
knn.fit(x_train,y_train)
#2.得出預測結果
y_predict=knn.predict(x_test)
print("預測的目標籤到位置:",y_predict)
#3.得出準確率
print("預測的準確率:",knn.score(x_test,y_test))
return None
knncls()
結果:
預測的目標籤到位置: [8574168891 4932578245 3333445626 ... 7991720417 1381672707 9878507653]
預測的準確率: 0.14613403150204807
沒有進行標準化的時候準確率是0.02這樣
4.k-近鄰算法優缺點
- 優點:
簡單,易於理解,易於實現,無需估計參數,無需訓練 - 缺點:
懶惰算法,對測試樣本分類時的計算量大,內存開銷大
必須指定K值,K值選擇不當則分類精度不能保證 - 使用場景:小數據場景,幾千~幾萬樣本,具體場景具體業務
去測試