1:概念
- k近鄰是一種基本分類與迴歸方法。本文只討論分類問題中的k近鄰法。k近鄰法的輸入爲實例的特徵向量,對應於特徵空間的點;輸出爲實例的類別,可以取多類。k近鄰法假設給定一個訓練數據集,其中的實例類別已定。分類時,對新的實例,根據其k個最近鄰的訓練實例的類別,通過多數表決等方式進行預測。因此k近鄰法不具有顯式的學習過程。k近鄰法實際上利用訓練數據集對特徵向量空間進行劃分,並作爲其分類的“模型”。
- k值的選擇,舉例度量和分類決策規則是k近鄰算法的三個基本要素。
2:k近鄰模型
2.1:模型
- k近鄰法中,當訓練數據、距離度量(如歐氏距離)、k值及分類決策規則(如多數表決)確定後,對於任何一個新的輸入實例,它所屬類別唯一的確定。這相當於根據上述要素將特徵空間劃分爲一些子空間,確定子空間裏面的每個點所屬的類
- 特徵空間中,對每個訓練實例點,距離該點比其他點更近的所有點組成的一個區域,叫做單元(cell),每個訓練實例點擁有一個單元,所有訓練實例點的單元構成對特徵空間的一個劃分。最近鄰法將實例的類作爲其單元中所有點的類標記。這樣,每個單元的實例點的類別是確定的。
2.2:距離度量
- 特徵空間中兩個實例點的距離度量是兩個實力點相似程度的反映。k近鄰模型的特徵空間一般是n維實數向量空間,使用的距離度量是歐氏距離,但也可以是其他距離,如更一般的距離,或者Minkowski距離。
設特徵空間是維實數向量空間,,的距離定義爲:。
這裏,,當時,稱爲歐式距離,即
當時,稱爲曼哈頓距離,即
當時,它是各個座標距離的最大值,即
3:Python代碼實現
3.1 導入數據集
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from collections import Counter
# data
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['label'] = iris.target
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
# data = np.array(df.iloc[:100, [0, 1, -1]])
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
3.2 數據集切分
data = np.array(df.iloc[:100, [0, 1, -1]])
X, y = data[:,:-1], data[:,-1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
3.3 實現KNN
class KNN:
def __init__(self, X_train, y_train, n_neighbors=3, p=2):
"""
parameter: n_neighbors 臨近點個數
parameter: p 距離度量
"""
self.n = n_neighbors
self.p = p
self.X_train = X_train
self.y_train = y_train
def predict(self, X):
# 取出n個點
knn_list = []
for i in range(self.n):
dist = np.linalg.norm(X - self.X_train[i], ord=self.p)
knn_list.append((dist, self.y_train[i]))
for i in range(self.n, len(self.X_train)):
max_index = knn_list.index(max(knn_list, key=lambda x: x[0]))
dist = np.linalg.norm(X - self.X_train[i], ord=self.p)
if knn_list[max_index][0] > dist:
knn_list[max_index] = (dist, self.y_train[i])
# 統計
knn = [k[-1] for k in knn_list]
count_pairs = Counter(knn)
max_count = sorted(count_pairs, key=lambda x:x)[-1]
return max_count
def score(self, X_test, y_test):
right_count = 0
n = 10
for X, y in zip(X_test, y_test):
label = self.predict(X)
if label == y:
right_count += 1
return right_count / len(X_test)
clf = KNN(X_train, y_train)
clf.score(X_test, y_test)
test_point = [6.0, 3.0]
print('Test Point: {}'.format(clf.predict(test_point)))
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.plot(test_point[0], test_point[1], 'bo', label='test_point')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
分類結果:
4:構造kd樹實現
# kd-tree每個結點中主要包含的數據結構如下
class KdNode(object):
def __init__(self, dom_elt, split, left, right):
self.dom_elt = dom_elt # k維向量節點(k維空間中的一個樣本點)
self.split = split # 整數(進行分割維度的序號)
self.left = left # 該結點分割超平面左子空間構成的kd-tree
self.right = right # 該結點分割超平面右子空間構成的kd-tree
class KdTree(object):
def __init__(self, data):
k = len(data[0]) # 數據維度
def CreateNode(split, data_set): # 按第split維劃分數據集exset創建KdNode
if not data_set: # 數據集爲空
return None
# key參數的值爲一個函數,此函數只有一個參數且返回一個值用來進行比較
# operator模塊提供的itemgetter函數用於獲取對象的哪些維的數據,參數爲需要獲取的數據在對象中的序號
#data_set.sort(key=itemgetter(split)) # 按要進行分割的那一維數據排序
data_set.sort(key=lambda x: x[split])
split_pos = len(data_set) // 2 # //爲Python中的整數除法
median = data_set[split_pos] # 中位數分割點
split_next = (split + 1) % k # cycle coordinates
# 遞歸的創建kd樹
return KdNode(median, split,
CreateNode(split_next, data_set[:split_pos]), # 創建左子樹
CreateNode(split_next, data_set[split_pos + 1:])) # 創建右子樹
self.root = CreateNode(0, data) # 從第0維分量開始構建kd樹,返回根節點
# KDTree的前序遍歷
def preorder(root):
print (root.dom_elt)
if root.left: # 節點不爲空
preorder(root.left)
if root.right:
preorder(root.right)
# 對構建好的kd樹進行搜索,尋找與目標點最近的樣本點:
from math import sqrt
from collections import namedtuple
# 定義一個namedtuple,分別存放最近座標點、最近距離和訪問過的節點數
result = namedtuple("Result_tuple", "nearest_point nearest_dist nodes_visited")
def find_nearest(tree, point):
k = len(point) # 數據維度
def travel(kd_node, target, max_dist):
if kd_node is None:
return result([0] * k, float("inf"), 0) # python中用float("inf")和float("-inf")表示正負無窮
nodes_visited = 1
s = kd_node.split # 進行分割的維度
pivot = kd_node.dom_elt # 進行分割的“軸”
if target[s] <= pivot[s]: # 如果目標點第s維小於分割軸的對應值(目標離左子樹更近)
nearer_node = kd_node.left # 下一個訪問節點爲左子樹根節點
further_node = kd_node.right # 同時記錄下右子樹
else: # 目標離右子樹更近
nearer_node = kd_node.right # 下一個訪問節點爲右子樹根節點
further_node = kd_node.left
temp1 = travel(nearer_node, target, max_dist) # 進行遍歷找到包含目標點的區域
nearest = temp1.nearest_point # 以此葉結點作爲“當前最近點”
dist = temp1.nearest_dist # 更新最近距離
nodes_visited += temp1.nodes_visited
if dist < max_dist:
max_dist = dist # 最近點將在以目標點爲球心,max_dist爲半徑的超球體內
temp_dist = abs(pivot[s] - target[s]) # 第s維上目標點與分割超平面的距離
if max_dist < temp_dist: # 判斷超球體是否與超平面相交
return result(nearest, dist, nodes_visited) # 不相交則可以直接返回,不用繼續判斷
#----------------------------------------------------------------------
# 計算目標點與分割點的歐氏距離
temp_dist = sqrt(sum((p1 - p2) ** 2 for p1, p2 in zip(pivot, target)))
if temp_dist < dist: # 如果“更近”
nearest = pivot # 更新最近點
dist = temp_dist # 更新最近距離
max_dist = dist # 更新超球體半徑
# 檢查另一個子結點對應的區域是否有更近的點
temp2 = travel(further_node, target, max_dist)
nodes_visited += temp2.nodes_visited
if temp2.nearest_dist < dist: # 如果另一個子結點內存在更近距離
nearest = temp2.nearest_point # 更新最近點
dist = temp2.nearest_dist # 更新最近距離
return result(nearest, dist, nodes_visited)
return travel(tree.root, point, float("inf")) # 從根節點開始遞歸
測試
data = [[2,3],[5,4],[9,6],[4,7],[8,1],[7,2]]
kd = KdTree(data)
preorder(kd.root)
from time import clock
from random import random
# 產生一個k維隨機向量,每維分量值在0~1之間
def random_point(k):
return [random() for _ in range(k)]
# 產生n個k維隨機向量
def random_points(k, n):
return [random_point(k) for _ in range(n)]
ret = find_nearest(kd, [3,4.5])
print (ret)
N = 400000
t0 = clock()
kd2 = KdTree(random_points(3, N)) # 構建包含四十萬個3維空間樣本點的kd樹
ret2 = find_nearest(kd2, [0.1,0.5,0.8]) # 四十萬個樣本點中尋找離目標最近的點
t1 = clock()
print ("time: ",t1-t0, "s")
print (ret2)
運行結果: