自我代码提升之K近邻算法
作者：数据取经团——王嘉琪
数据取经团（公众号：zlx19930503）
专注R、Python数据分析挖掘、可视化、机器学习等
在机器学习和数据挖掘常用的方法中，常规的建模思路是输入给定的训练数据集（类别标签已知），通过一系列的训练建立预测模型，通过将需要预测的数据输入到训练完成的模型中得到预测结果。然而，并非所有的方法都包含了训练过程，K近邻算法就是其中之一。
K近邻的基本思想
K近邻算法（KNN）是一种常用的基本分类（亦可运用于回归）方法。其基本思想是，输入一个给定的训练数据集，包含了X和标签Y。对于新的数据，在预测分类时，根据指定的参数K，对于每个需要预测的个体，找出距离该点最近的K个训练集的样本点，通过这些样本点的所属类别，以投票表决的方式来进行类别预测。可以看出，在输入训练数据集到预测的过程中，该算法并没有显著的模型训练过程。
例如下图，二维空间中，已知10个训练集的样本点，分属于AB两个类别，对于需要预测的样本点，在K=5时，找到距离其最近的5个样本点，其中4个点属于B类，则根据规则，该点的预测类别也为B类
常规的K近邻算法流程：
输入：训练数据集T{(x1,y1),(x2,y2)…(xN,yN)}，参数K，需要预测的数据集实例x
输出：实例x的类别y
① 根据给定的距离度量，在训练集T中找出K个距离x最近的样本点集合记作Nk(x)；
② 在Nk(x)中根据分类规则（一般为投票表决）决定x的类别y
作为较为简单的分类算法，K近邻算法有着一定的优势：首先，K近邻算法不需要训练过程，相比于较为复杂的模型，降低了训练模型的时间成本，具有较高的效率；其次，K近邻算法概念简单，容易实现，可解释性强。在实际应用中，K近邻方法可以作为一种在线技术，只需要不断添加新的训练数据，而不需要重复训练模型。
相对地，这种方法的缺陷也是显而易见的。第一，当样本类别分布非常不均衡的时候，预测偏差会增大（分类往往重视多数类而忽视少数类）；第二，KNN的算法在对每一个个体的预测都是一次全局计算，且当数据量特别大的时候，计算量非常大，从而影响效率；第三，KNN的思想决定了其预测工作必须依赖存储的训练数据集，需要较高的存储成本。
K近邻算法的注意点
距离的度量
在KNN预测过程中，距离的计算十分重要，计算点Xi和点Xj的距离，通常可以采用明氏距离：
当p=1时，为曼哈顿距离，曼哈顿距离就是点之间绝对轴距之和，但是在n维空间中，曼哈顿距离并不是点与点之间的最短距离。所以通常采用的是欧氏距离（p=2）来测量两点之间的距离：
在二维或三维空间中，欧氏距离就是两点之间的实际直线距离（最短距离），目前欧氏距离在相关的算法中最为常用。但实际上有时欧氏距离（或者明氏距离）也有显著的缺陷，它将样本的不同属性（即各指标或各变量）之间的差别等同看待，但实际中往往并非如此。当n维变量之间存在联系时，亦可以采用马氏距离来衡量点之间的距离（相似度）：
数据的量纲问题
在计算点与点的距离的时候，有时变量间量纲的存在会影响距离的大小，这就不可避免地导致数量及较大的变量有时能够“决定”距离，而数量级小的变量的差异则会被“忽略”。因此多数情况下，需要对数据进行处理以避免这种影响。
常见的处理方法有归一化和标准化。归一化方法是将变量的大小映射到0-1之间，公式如下：
标准化则是变量减去均值再除以标准差，在统计学上经常会使用，公式如下：
这两种方法有效的将变量之间绝对数的量纲差异消除，即将所有的X变量“等同对待”，某种程度上“放大”了变量的相对差异，因此并非适用于所有情况。
K的确定
K值的选择也会对K近邻算法的结果产生较大影响。当K值较小时，学习的“近似误差”会比较小，只有与目标点最为接近的几个样本点才会起作用，但会引起学习的“估计误差”增大，因为此时预测结果会对近邻点极为敏感，容易受噪声的影响；当K值较大时，可以减少学习的“估计误差”，但“近似误差”则会变得较大，因为一些距离目标点相对较远的样本点会产生影响，同时K的增大也意味着模型整体变得“简单”。
在应用中K通常会取一个较小的变量，并采用交叉验证法来选择最优的K。
效率问题
当数据量较小时，对最近邻点的寻找可以采用全局搜索的方法，但随着样本点数量的增加，对每个目标点进行这种搜索方法不再具备可行性，因此需要对搜索方法进行优化。目前已有的方法例如KD树等，从数据的排列、存储结构等方面进行优化，具体原理本文不作阐述，当前主流的机器学习平台（如shkearn等）已经实现了一定的效率优化。
K近邻算法的简单实现：
首先，加载本次实践的数据（马匹疝病的生存预测），构建加载函数：
import numpy as np
#数据集读取函数
def get_data(file_name,sep='\t'):
data_open = open(file_name)
lines = data_open.readlines()
data = []
for line in lines:
line = line.replace('\n','')
line = line.split(sep)
a=[]
for value in line:
value = float(value)
a.append(value)
data.append(a)
return np.array(data)分别加载训练数据集和测试数据集。
#训练集读取
horse_train = get_data(u'C:\\Users\\intern\\Desktop\\example\
\机器学习算法实现最终版\\horseColicTraining.txt')
horse_train_x = horse_train[:,range(horse_train.shape[1]-1)]
horse_train_y = horse_train[:,horse_train.shape[1]-1]
#测试集读取
horse_test = get_data(u'C:\\Users\\intern\\Desktop\\example\
\机器学习算法实现最终版\\horseColicTest.txt')
horse_test_x = horse_test[:,range(horse_test.shape[1]-1)]
horse_test_y = horse_test[:,horse_test.shape[1]-1]接下来定义KNN模型，首先将定义类knn_model，实例化类的同时将训练数据集（X和Y类别）传入
class knn_model():
def __init__(self,x,y): #在实例化时直接输入训练数据集
self.train_data_x = np.array(x)
self.train_data_y = np.array(y)
self.train_data_x_std = (self.train_data_x - self.train_data_x.mean(axis=0))/self.train_data_x.std(axis=0)
self.train_data_x_01 = (self.train_data_x - self.train_data_x.min(axis=0))/(self.train_data_x.max(axis=0)-self.train_data_x.min(axis=0))分别定义归一化函数函数和标准化函数（用于对数据的预处理），函数包含在knn_model类中
def standard_zeromean(self,x): #0-1标准化函数
return(x - self.train_data_x.mean(axis=0))/self.train_data_x.std(axis=0)def standard_01(self,x): #标准化函数
return(x - self.train_data_x.min(axis=0))/(self.train_data_x.max(axis=0)-self.train_data_x.min(axis=0))预测函数（单点）：在对一个新的样本点的类别预测时，首先计算出该样本点x到训练集所有点的距离，然后找出距离最近的K个样本点，对这些样本点所属类别进行分类汇总，找出最多的类，作为预测结果。函数包含在knn_model类中
def predict_1line(self,x,k,train_x,train_y): #对一行数据的预测
distance = ((train_x-x)**2).sum(axis=1)
mink_dis = np.sort(distance)[:k]
def isin(a):
return(a in maxk_dis)
distance = distance.reshape(distance.shape[0],1)
sel_lab=np.apply_along_axis(isin,1,distance)
type_pre = np.unique(train_y[sel_lab])[0]
for i in range(1,len(np.unique(train_y[sel_lab]))):
if sum(train_y[sel_lab] == np.unique(train_y[sel_lab])[i]) > sum(train_y[sel_lab] == np.unique(train_y[sel_lab])[i-1]):
type_pre = np.unique(train_y[sel_lab])[i]
return(type_pre)预测函数（多记录）：当根据传入的参数std来决定对数据集是否进行标准化处理，对大量的预测数据记录进行预测（调用predict_1line函数）。函数包含在knn_model类中
def predict(self,x,k=10,std=None): #预测函数
type_pred = []
if std == "zeromean":
x = self.standard_zeromean(x)
for i in range(x.shape[0]):
type_pred.append(self.predict_1line(x[i,:],k,self.train_data_x_std,self.train_data_y))
elif std == "0-1":
x = self.standard_01(x)
for i in range(x.shape[0]):
type_pred.append(self.predict_1line(x[i,:],k,self.train_data_x_01,self.train_data_y))
else:
for i in range(x.shape[0]):
type_pred.append(self.predict_1line(x[i,:],k,self.train_data_x,self.train_data_y))
return(np.array(type_pred))准确度评价函数：对预测函数调用，可以直接通过输入测试数据集X和正确类别Y来评估预测的准确度。函数包含在knn_model类中
def Accuracy(self,x,y,k=10,std=None): #预测准确度的评价
y_pre = self.predict(x,k=k,std=std)
Accuracy = sum(y_pre == y)/float(len(y))
return(Accuracy)采用马匹疝病数据集进行测试，设置的K=5，第一次测试未进行标准化，第二次测试进行归一化处理
#采用之前的horse数据集进行测试
knn_horse = knn_model(horse_train_x,horse_train_y) #将训练数据集的自变量和目标变量输入模型
#设置近邻数为5，未标准化的预测结果
print 'the Accuracy of KNN without data standardization is %s' % knn_horse.Accuracy(horse_test_x,horse_test_y,k=5)
#设置近邻数为5，对数据进行0-1标准化再用于预测
print 'the Accuracy of KNN with data 0-1 standardization is %s' % knn_horse.Accuracy(horse_test_x,horse_test_y,k=5,std='0-1') 下图输出了测试的结果，可以看出，在经过了归一化处理之后，KNN的预测的准确度有了显著的提升（去量纲处理方式有时也不适用）
Sklearn模块训练示例
Python的sklearn模块包含了KNN模型，并且可以采用KD树等算法的提升效率，下面给出了用sklearn模块对数据集的归一化处理和KNN建模，在建模过程中搜索效果最佳的参数K并且进行预测，为了提升泛化能力，模型采用了5折交叉验证。
#sklearn模块knn选择最佳参数K建模示例
from sklearn.preprocessing import StandardScaler #模块：标准化函数(效果一般)
from sklearn.preprocessing import MinMaxScaler #模块：01标准化函数
from sklearn.neighbors import KNeighborsClassifier #模块：KNN分类模型
from sklearn.pipeline import Pipeline #管道串联模块
from sklearn.grid_search import GridSearchCV #网格搜索模块
#管道串联标准化步骤和建模步骤（暂时选用01标准化）
pipe_process = Pipeline([('scale_m',MinMaxScaler()),('knn_sklearn',KNeighborsClassifier())])
#传入KNN建模参数n_neighbors，候选值的范围包含了整数3-20
parameters = {'knn_sklearn__n_neighbors':np.array(range(3,21))}
#网格参数搜索，输入之前的模型流程pipe_process,候选参数parameters，并且设置5折交叉验证
gs = GridSearchCV(pipe_process,parameters,verbose=2,refit=True,cv=5) #设置备选参数组
gs.fit(horse_train_x,horse_train_y) #模型训练过程
print gs.best_params_,gs.best_score_ #查看最佳参数和评分（准确度）
#最佳参数的KNN建模对预测数据预测效果）
print 'The Accuracy of KNeighborsClassifier model with best parameter and MinMaxScaler is',gs.score(horse_test_x,horse_test_y) 经过对归一化的数据集KNN建模，从3-20对K值进行尝试，我们发现当K等于20的时候效果较好，对测试集的预测准确度可以超过80%
系列相关：
本文代码获取方式：点击阅读原文关注公众号数据取经团，在公众号中回复 KNN实现 即可~
文章转载来源：
数据取经团（公众号：zlx19930503）
专注R、Python数据分析挖掘、可视化、机器学习等
关注公众号，“Python爱好者社区”，回复“爬虫”即可获取崔老师爬虫免费学习视频。
为大家提供与Python相关的最新技术和资讯。
长按指纹 > 识别图中二维码 > 添加关注