1、sklearn实现K邻近分类算法

1、K邻近算法的基本概念

　　一个样本在特征空间中最邻近(距离)的K个样本大多数属于某一个类别，则该样本也属于这个类别。

2、sklearn使用欧氏距离实现KNN算法

# 倒入sklearn库中的KNN算法类
from sklearn.neighbors import KNeighborsClassifier

# 建立KNN算法实例并设置K值
KNN_classifier = KNeighborsClassifier(n_neighbors=4)

# 传入训练样本数据拟合KNN模型
KNN_classifier.fit(train_x, train_y)

# 传入测试样本数据进行预测，并返回预测结果
KNN_classifier.predict(test_x)

View Code

3、sklearn使用train_test_split来测试模型的性能（iris鸢尾花数据）

import numpy as np

# 导入sklearn模块的数据集
from sklearn import datasets

# 导入sklearn模块中的随机拆分数据的模块
from sklearn.model_selection import train_test_split 

# 导入sklearn模块中的KNN算法模块
from sklearn.neighbors import KNeighborsClassifier

# 取iris数据集
iris = datasets.load_iris() 

X = iris.data  # 样本特征集(150, 4)
y = iris.target # 样本标签集(150,)

# 随机拆分数据，默认test_size=0.2 20%拆分
# random_state = 666 设置随机种子
# X_train.shape = (112, 4)
# X_test.shape = (38, 4)
# y_test.shape = (38,)
# y_train.shape = (112,)
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2， random_state=666)

# 建立KNN算法实例并设置K值
KNN_classifier = KNeighborsClassifier(n_neighbors=6) 

# 传入训练样本数据拟合KNN模型
KNN_classifier.fit(X_train, y_train)

# 传入测试样本数据进行预测，并返回预测结果
y_predict = KNN_classifier.predict(X_test)

# 验证预测准确率
sum(y_predict == y_test)/len(y_test) # 0.9210526315789473

View Code

4、sklearn实现预测准确率算法

import numpy as np
from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split

# 判断模型预测准确率的模型
from sklearn.metrics import accuracy_score

# 导入手写数据集
digits = datasets.load_digits()
# X样本数据集：(1797, 64)
# y标签数据集：(1797,)
X = digits.data
y = digits.target

# 按2:8随机拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y ,test_size=0.2)

# 生成KNN算法实例，并设置K=3
KNN_classifier = KNeighborsClassifier(n_neighbors=3)

# KNN拟合模型
KNN_classifier.fit(X_train, y_train)

# 经过拟合的KNN模型预测结果，并返回预测结果集
y_predict = KNN_classifier.predict(X_test)

# 返回预测准确率
accuracy_score(y_test, y_predict) # 0.9916666666666667
# KNN_classifier.score(X_test, y_test)

View Code

5、sklearn经过网格搜索来优化KNN算法中的超参数

一、超参数和模型参数

• 超参数：在算法运行前须要决定的参数
• 模型参数：算法运行过程当中学习到的参数

二、KNN算法中的超参数

• K值：邻近的点的数量选择
• 距离权重
• p值

三、距离权重超参数

定义：通常距离权重是距离的倒数值

EXP：

　　当1个样本的最近的3个样本(A类一个，B类两个)，距离A类为1个单位，距离B类分别是3个和4个单位，不考虑距离权重时，样本是B类，考虑距离权重时，距离A类的权重为1，B类权重为1/3+1/4=7/12为A类；当3个点是3类是不考虑权重则属于3个类别的几率相同，因此KNN算法应当考虑距离权重。

sklearn.KNeighborsClassifier类中有一个weights参数默认是uniform(不考虑距离权重)，distance(考虑距离权重)

四、p超参数

距离的定义有：欧氏距离、曼哈顿距离、明科夫实际距离、....

sklearn.KNeighborsClassifier类中有一个p参数，接受整型值（默认值为2，欧氏距离）

五、网格搜索寻找最优超参数

from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split

# 导入网格搜索模块
from sklearn.model_selection import GridSearchCV

# 导入手写数据集
digits = datasets.load_digits()

# X样本数据集：(1797, 64)
# y标签数据集：(1797,)
X = digits.data
y = digits.target

# 按2:8随机拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y ,test_size=0.2)

# 定义网格搜索参数
# weights='distance', p参数才有意义
param_grid = [    
    {
        'weights':['uniform'],
        'n_neighbors': [i for i in range(1, 11)]
    },
    {
        'weights':['distance'],
        'n_neighbors': [i for i in range(1, 11)],
        'p': [i for i in range(1, 6)]
    }]

# 建立KNN算法类实例
KNN_clf = KNeighborsClassifier()

# 建立网格搜索类实例
# n_jobs设置并行运行，默认是1，-1是最大并行运行
# verbose=int 设置输出
grid_search = GridSearchCV(KNN_clf, param_grid，n_jobs=2, verbose=2)

# 拟合网格搜索算法
grid_search.fit(X_train, y_train)

# 搜索到的最优参数的分类器
# 能够直接调用knn_clf.precdi
knn_clf = grid_search.best_estimator_

# 搜索到的最优参数
grid_search.best_params_

# 最优参数下的准确率
grid_search.best_score_

# 使用最优参数分类器预测
knn_clf.predict(X_test)

# 使用最优参数分类器预测的准确率
knn_clf.score(X_test, y_test)

View Code

6、sklearn实现数据归一化

一、数据归一化的概念

把数据映射到同一尺度上，数据归一化可让算法更快收敛

二、经常使用的数据归一化的方法

• 最值归一化：当数据有明显边界时，把全部数据映射到0-1之间，x_scale = (x-x_min)/(x_max-x_main)
• 均值方差归一化：当数据没有明显边界时，把全部数据归一到均值为0方差为1的分布中，x_scale = (x - x_mean)/ s  (s为方差)，测试集的均值方差归一化使用的是训练集的x_mean和s

from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

iris = datasets.load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)

standard_scaler = StandardScaler()
standard_scaler.fit(X_train)

# 均值
standard_scaler.mean_

# 方差
standard_scaler.var_

# 标准差
standard_scaler.scale_

# 训练集归一化操做
X_train = standard_scaler.transform(X_train)

# 测试集归一化操做
X_test = standard_scaler.transform(X_test)
KNN_clf = KNeighborsClassifier(n_neighbors=3)
KNN_clf.fit(X_train, y_train)
KNN_clf.score(X_test, y_test)

View Code

7、总结sklearn实现并优化KNN算法的流程

一、流程

• 导入数据
• 使用train_test_split随机拆分数据
• 使用StandardScaler对数据进行均值方差归一化
• 使用GridSearchCV网格搜索来优化k值、距离权重和p值等超参数
• 使用accuracy_score或者score来取得预测值的准确率

二、优缺点

• 优势：自然的单、多分类算法，简单、效果好
• 缺点：
  • 　　效率低，每同样本的计算复杂度高
  • 　　高度数据相关
  • 　　预测结果不具有可解释性
  • 　　维数灾难，处理高维度数据会出现问题