1. 𝑘 近鄰法是基本且簡單的分類與迴歸方法。
𝑘 k 近鄰法的基本做法是:對給定的訓練實例點和輸入實例點,首先確定輸入實例點的 𝑘 個最近鄰訓練實例點,然後利用這 𝑘 個訓練實例點的類的多數來預測輸入實例點的類。
2. 𝑘 近鄰模型對應於基於訓練數據集對特徵空間的一個劃分。
𝑘 k 近鄰法中,當訓練集、距離度量、 𝑘 值及分類決策規則確定後,其結果唯一確定。
3. 𝑘 近鄰法三要素:距離度量、 𝑘 值的選擇和分類決策規則。常用的距離度量是歐氏距離及更一般的pL距離。
𝑘 值小時, 𝑘 近鄰模型更復雜; 𝑘 值大時, 𝑘 近鄰模型更簡單。
𝑘 值的選擇反映了對近似誤差與估計誤差之間的權衡,通常由交叉驗證選擇最優的 𝑘 。
常用的分類決策規則是多數表決,對應於經驗風險最小化。
4. 𝑘 近鄰法的實現需要考慮如何快速搜索k個最近鄰點。kd樹是一種便於對k維空間中的數據進行快速檢索的數據結構。kd樹是二叉樹,表示對 𝑘 維空間的一個劃分,其每個結點對應於 𝑘 維空間劃分中的一個超矩形區域。利用kd樹可以省去對大部分數據點的搜索, 從而減少搜索的計算量。
import math
from itertools import combinations
def L(x, y, p=2):
# x1 = [1, 1], x2 = [5,1]
if len(x) == len(y) and len(x) > 1:
sum = 0
for i in range(len(x)):
sum += math.pow(abs(x[i] - y[i]), p)
return math.pow(sum, 1 / p)
else:
return 0
python實現,遍歷所有數據點,找出 𝑛 個距離最近的點的分類情況,少數服從多數
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()
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)
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]
max_count = sorted(count_pairs.items(), key=lambda x: x[1])[-1][0]
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()