学习目标

  • 目标
    • 说明K-近邻算法的距离公式
    • 说明K-近邻算法的超参数K值以及取值问题
    • 说明K-近邻算法的优缺点
    • 应用KNeighborsClassifier实现分类
    • 了解分类算法的评估标准准确率

  • 应用

    • Facebook签到位置预测

      问题：回忆分类问题的判定方法

      什么是K-近邻算法

      image.png

  • 你的“邻居”来推断出你的类别

    1、K-近邻算法(KNN)

    1.1 定义

    如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

    来源：KNN算法最早是由Cover和Hart提出的一种分类算法

1.2 距离公式

两个样本的距离可以通过如下公式计算，又叫欧式距离
image.png

2、电影类型分析

假设我们有现在几部电影
image.png
其中？ 号电影不知道类别，如何去预测？我们可以利用K近邻算法的思想
image.png

2.1 问题

  • 如果取的最近的电影数量不一样？会是什么结果？

    2.2 K-近邻算法数据的特征工程处理

  • 结合前面的约会对象数据，分析K-近邻算法需要做什么样的处理

    3、K-近邻算法API

  • sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=’auto’)

    • n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
    • algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)

      4、案例：预测签到位置

      image.png
      数据介绍：将根据用户的位置，准确性和时间戳预测用户正在查看的业务。
      1. train.csv，test.csv 
      2. row_id：登记事件的ID
      3. xy：坐标
      4. 准确性：定位准确性 
      5. 时间：时间戳
      6. place_id：业务的ID，这是您预测的目标

      官网：https://www.kaggle.com/navoshta/grid-knn/data

4.1 分析

  • 对于数据做一些基本处理（这里所做的一些处理不一定达到很好的效果，我们只是简单尝试，有些特征我们可以根据一些特征选择的方式去做处理）
    • 1、缩小数据集范围 DataFrame.query()
    • 4、删除没用的日期数据 DataFrame.drop（可以选择保留）
    • 5、将签到位置少于n个用户的删除
      place_count = data.groupby(‘place_id’).count()
      tf = place_count[place_count.row_id > 3].reset_index()
      data = data[data[‘place_id’].isin(tf.place_id)]
  • 分割数据集
  • 标准化处理

  • k-近邻预测

    4.2 代码

    def knncls():
  """
  K近邻算法预测入住位置类别
  :return:
  """
  # 一、处理数据以及特征工程
  # 1、读取收，缩小数据的范围
  data = pd.read_csv("./data/FBlocation/train.csv")
  # 数据逻辑筛选操作 df.query()
  data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
  # 删除time这一列特征
  data = data.drop(['time'], axis=1)
  print(data)
  # 删除入住次数少于三次位置
  place_count = data.groupby('place_id').count()
  tf = place_count[place_count.row_id > 3].reset_index()
  data = data[data['place_id'].isin(tf.place_id)]
  # 3、取出特征值和目标值
  y = data['place_id']
  # y = data[['place_id']]
  x = data.drop(['place_id', 'row_id'], axis=1)
  # 4、数据分割与特征工程?
  # （1）、数据分割
  x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)
  # (2)、标准化
  std = StandardScaler()
  # 队训练集进行标准化操作
  x_train = std.fit_transform(x_train)
  print(x_train)
  # 进行测试集的标准化操作
  x_test = std.fit_transform(x_test)
  # 二、算法的输入训练预测
  # K值：算法传入参数不定的值    理论上：k = 根号(样本数)
  # K值：后面会使用参数调优方法，去轮流试出最好的参数[1,3,5,10,20,100,200]
  knn = KNeighborsClassifier(n_neighbors=1)
  # 调用fit()
  knn.fit(x_train, y_train)
  # 预测测试数据集，得出准确率
  y_predict = knn.predict(x_test)
  print("预测测试集类别：", y_predict)
  print("准确率为：", knn.score(x_test, y_test))
  return None

    4.3 结果分析

    准确率： 分类算法的评估之一

  • 1、k值取多大？有什么影响？

k值取很小：容易受到异常点的影响
k值取很大：受到样本均衡的问题

  • 2、性能问题？

距离计算上面，时间复杂度高

5、K-近邻总结

  • 优点：
    • 简单，易于理解，易于实现，无需训练
  • 缺点：
    • 懒惰算法，对测试样本分类时的计算量大，内存开销大
    • 必须指定K值，K值选择不当则分类精度不能保证
  • 使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试