首页 > 编程语言 >机器学习-KNN 算法

机器学习-KNN 算法

时间：2024-08-22 21:21:58浏览次数：9  
标签：KNN 机器 算法 train test import model data sklearn

一.K-近邻(KNN)

  • K-近邻（K-Nearest Neighbors, 简称 KNN）是一种基于实例的学习算法，主要用于分类和回归问题。KNN 的工作原理直观且简单，它基于相似性进行预测，也就是说给定一个新的数据点，KNN 算法会查找距离最近的 K 个数据点，然后通过这些邻居来确定新数据点的类别（在分类任务中）或数值（在回归任务中）。

KNN 的工作原理

  1. 选择 K 值：

    • K 是算法中的一个超参数，表示在做出预测时要参考的最近邻居的数量。常见的取值是 3、5、7 等。
    • K 值的选择直接影响模型性能。较小的 K 值使模型对局部噪声更敏感，而较大的 K 值则会使模型过于平滑，可能会错过局部模式。

  2. 计算距离：

    • 常用的距离度量方式是欧几里得距离，也可以使用曼哈顿距离、闵可夫斯基距离等。
    • 欧几里得距离公式：
      d = ∑ i = 1 n ( x i − y i ) 2 d = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2} d=i=1∑n​(xi​−yi​)2 ​

    其中，x 和 y 是两个数据点， n 是特征的数量。

  3. 确定最近的 K 个邻居：

    • 根据计算得到的距离，选出距离最近的 K 个点作为邻居。

  4. 分类（对于分类问题）：

    • 在分类任务中，KNN 通过让 K 个最近邻居中的多数投票来决定新数据点的类别。
    • 例如，如果在 K=5 的情况下，有 3 个邻居属于类别 A，2 个属于类别 B，那么预测结果将是类别 A。

  5. 回归（对于回归问题）：

    • 在回归任务中，KNN 通过计算 K 个最近邻居的平均值（或加权平均值）来预测新数据点的数值。

KNN 算法的优缺点

优点：

  • 简单直观，易于理解和实现。
  • 不需要训练阶段，属于“懒惰学习”（Lazy Learning），即模型在训练阶段几乎不做计算，预测时才进行计算。
  • 可用于多类别分类问题。

缺点：

  • 计算复杂度高：由于在预测时需要计算每个数据点与新数据点的距离，特别是在数据量大时，计算开销较大。
  • 对数据的标度敏感：特征的不同标度（如度量单位不同）可能会影响距离计算，因此通常需要对数据进行标准化或归一化。
  • 对噪声敏感：K 值较小时，噪声点可能会对结果产生较大影响。

适用场景

  • 小数据集：由于 KNN 的计算开销较大，它更适合于小型数据集。
  • 多类别分类：KNN 可以很好地处理多类别分类问题。
  • 实例具有自然分组的情况：如果数据本身具有天然的分组或簇结构，KNN 能够很好地捕捉这些模式。

KNN 算法的代码示例（分类任务）

下面是一个简单的 KNN 分类任务代码示例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
data = load_iris()
X = data.data
y = data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 初始化KNN分类器，设置K=3
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy}")

KNeighborsClassifier 参数详细解释

  1. n_neighbors:

    • 解释: 指定参与投票的最近邻居的数量，即 K 值。
    • 类型: 整数。
    • 默认值: 5。
    • 作用: 决定了模型在分类时会考虑多少个最近邻居。例如，n_neighbors=3 表示将选择距离最近的 3 个样本进行投票。
    • 示例: n_neighbors=3

  2. weights:

    • 解释: 决定如何计算每个邻居的投票权重。常见的选项有：
      • 'uniform': 所有邻居的权重相等。
      • 'distance': 根据距离进行加权，距离越近的邻居权重越高。
      • 自定义函数：可以传入一个用户定义的函数，基于该函数计算权重。
    • 类型: 字符串或可调用函数。
    • 默认值: 'uniform'。
    • 作用: 影响分类决策。如果选择 'distance'，那么更近的邻居对分类结果影响更大。
    • 示例: weights='distance'

  3. algorithm:

    • 解释: 用于计算最近邻居的算法，有以下几种选择：
      • 'auto': 自动选择最合适的算法（根据数据的特征选择）。
      • 'ball_tree': 使用 Ball Tree 数据结构，适合高维数据。
      • 'kd_tree': 使用 KD Tree 数据结构，适合低维数据。
      • 'brute': 直接进行暴力搜索，计算所有点的距离。
    • 类型: 字符串。
    • 默认值: 'auto'。
    • 作用: 控制最近邻居搜索的速度和内存效率，通常建议使用默认的 'auto' 选项。
    • 示例: algorithm='kd_tree'

  4. leaf_size:

    • 解释: 指定 Ball Tree 或 KD Tree 的叶子节点大小，影响树的构建和查询速度。较小的叶子节点通常会带来更快的查询速度，但会消耗更多的内存。
    • 类型: 整数。
    • 默认值: 30。
    • 作用: 在使用 'ball_tree' 或 'kd_tree' 算法时，可以调整该值以优化查询性能。
    • 示例: leaf_size=20

  5. p:

    • 解释: 当使用 minkowski 距离度量时，定义了距离公式中的幂指数：
      • 当 p=1 时，使用曼哈顿距离（L1）。
      • 当 p=2 时，使用欧几里得距离（L2）。
    • 类型: 整数。
    • 默认值: 2。
    • 作用: 控制距离的计算方式，可以根据数据特性调整该参数。
    • 示例: p=1（使用曼哈顿距离）

  6. metric:

    • 解释: 指定距离度量的方式。常用选项有：
      • 'minkowski': 闵可夫斯基距离，是欧几里得距离和曼哈顿距离的泛化形式。
      • 'euclidean': 欧几里得距离，等同于 minkowski 距离与 p=2 的组合。
      • 'manhattan': 曼哈顿距离，等同于 minkowski 距离与 p=1 的组合。
      • 其他度量方法如 'chebyshev' 或自定义距离函数。
    • 类型: 字符串或可调用函数。
    • 默认值: 'minkowski'。
    • 作用: 控制如何计算样本之间的距离，影响最近邻居的选择。
    • 示例: metric='euclidean'

  7. metric_params:

    • 解释: 距离度量函数的附加参数（可选）。如果使用自定义的距离函数，可以通过这个参数传递额外信息。
    • 类型: 字典或 None。
    • 默认值: None。
    • 作用: 用于在自定义度量函数时，提供额外的控制参数。
    • 示例: metric_params={'w': [1, 2, 3]}（示例自定义权重）

  8. n_jobs:

    • 解释: 用于并行处理最近邻居搜索的线程数量。如果设置为 -1，则使用所有可用的 CPU 核心进行计算。
    • 类型: 整数。
    • 默认值: None（使用单个 CPU 核心）。
    • 作用: 在大数据集上可以使用多线程加速计算，缩短模型训练和预测时间。
    • 示例: n_jobs=-1

二.K-折交叉验证

K-折交叉验证（K-Fold Cross-Validation）是一种常用的模型评估方法，广泛用于机器学习中。它通过将数据集划分为 K 个相同大小的子集（称为“折”），来多次训练和测试模型，从而获得更稳定和可靠的性能评估。

工作原理

  1. 划分数据集:

    • 将整个数据集随机划分成 K 个等大小的子集。每个子集称为一个“折”。

  2. 训练和验证:

    • 在每次迭代中，选择其中一个折作为验证集，剩余的 K-1 个折作为训练集。
    • 这个过程会重复 K 次，每次选择不同的折作为验证集，其余折作为训练集。

  3. 计算平均性能:

    • 每次迭代都会得到一个模型的性能度量（如准确率、F1 分数等）。最终将 K 次迭代的性能结果进行平均，得到整体的模型性能。

优点

  • 稳定的性能评估: 通过多次迭代，K-折交叉验证减小了模型评估中的随机性，得到的结果更具稳定性。
  • 充分利用数据: 每一个样本都在不同的折中被用作训练和验证集，避免了数据浪费。

参数选择

  • K 的取值: K 通常取值为 5 或 10，这两种配置在大多数应用中效果较好。较小的 K 值（如 2 或 3）会导致较大的方差，而较大的 K 值（如 20）则增加了计算开销。
  • Shuffle（可选）: 在划分数据集之前，可以选择对数据进行洗牌（shuffle），以确保每个折的样本分布更随机。

代码示例

下面是一个使用 scikit-learn 实现 K-折交叉验证的示例：

from sklearn.model_selection import KFold
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
import numpy as np

# 加载数据集
data = load_iris()
X = data.data
y = data.target

# 初始化K折交叉验证
kf = KFold(n_splits=5, shuffle=True, random_state=42)

# 存储每折的准确率
accuracies = []

# 执行交叉验证
for train_index, test_index in kf.split(X):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    
    # 初始化并训练模型
    model = LogisticRegression(max_iter=200)
    model.fit(X_train, y_train)
    
    # 预测并计算准确率
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    accuracies.append(accuracy)

# 输出结果
print(f"每折的准确率: {accuracies}")
print(f"平均准确率: {np.mean(accuracies)}")

解释

  • KFold(n_splits=5, shuffle=True, random_state=42):

    • n_splits=5 指定将数据集划分为 5 个折。
    • shuffle=True 表示在分割数据之前打乱数据，以确保每个折的样本分布更加随机。
    • random_state=42 确保结果的可重复性。

  • kf.split(X):

    • 生成训练集和测试集的索引。对于每一折，都会用不同的折作为测试集。

三.分层k-折交叉验证(Stratified k-fold)

StratifiedKFold 参数

  1. n_splits:

    • 解释: 指定将数据集划分成多少个折（子集）。
    • 类型: 整数。
    • 默认值: 5。
    • 示例: n_splits=5 表示数据将被分成 5 个折。

  2. shuffle:

    • 解释: 指定是否在分割之前对数据进行洗牌（打乱顺序）。如果为 True，则在分割数据之前会对数据进行打乱，减少样本顺序对模型评估的影响。
    • 类型: 布尔值。
    • 默认值: False。
    • 示例: shuffle=True 表示在分割之前打乱数据。

  3. random_state:

    • 解释: 用于控制随机数生成器的种子，确保结果的可重复性。当 shuffle=True 时使用。
    • 类型: 整数或 None。
    • 默认值: None。
    • 示例: random_state=42 确保在每次运行时数据划分的一致性。

  4. min_groups (仅在 scikit-learn 版本 0.24 及以后版本中可用):

    • 解释: 用于指定每个折中样本的最小组数。主要用于对分层 K-折交叉验证的样本量进行控制，确保每一折中至少有指定数量的组。
    • 类型: 整数。
    • 默认值: 1。
    • 示例: min_groups=5 表示每个折中至少包含 5 个组。

使用示例

from sklearn.model_selection import StratifiedKFold
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
import numpy as np

# 加载数据集
data = load_iris()
X = data.data
y = data.target

# 初始化分层K折交叉验证
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

# 存储每折的准确率
accuracies = []

# 执行交叉验证
for train_index, test_index in skf.split(X, y):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    
    # 初始化并训练模型
    model = LogisticRegression(max_iter=200)
    model.fit(X_train, y_train)
    
    # 预测并计算准确率
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    accuracies.append(accuracy)

# 输出结果
print(f"每折的准确率: {accuracies}")
print(f"平均准确率: {np.mean(accuracies)}")

四.模型与加载

在 scikit-learn 中，保存和加载模型通常使用 joblib 或 pickle。joblib 是 scikit-learn 推荐的方式，因为它在处理大型模型（如包含大量数组的模型）时效率更高。

1. 使用 joblib 保存和加载模型

模型保存
import joblib

# 保存模型到文件
joblib.dump(knn, 'knn_model.pkl')
模型加载
# 从文件加载模型
loaded_model = joblib.load('knn_model.pkl')

# 使用加载的模型进行预测
y_pred = loaded_model.predict(X_test)

2. 使用 pickle 保存和加载模型

模型保存
import pickle

# 保存模型到文件
with open('knn_model.pkl', 'wb') as file:
    pickle.dump(knn, file)
模型加载
# 从文件加载模型
with open('knn_model.pkl', 'rb') as file:
    loaded_model = pickle.load(file)

# 使用加载的模型进行预测
y_pred = loaded_model.predict(X_test)

总结

  • joblib 更适合包含大量数组的模型。
  • pickle 适用于一般情况下的模型保存和加载。

五.超参数搜索

  • 超参数搜索（Hyperparameter Tuning）是机器学习模型优化的重要步骤。不同的超参数配置会对模型的性能产生显著影响，因此找到最优的超参数组合对于提升模型性能至关重要。
class sklearn.model_selection.GridSearchCV(estimator, param_grid)

说明：
同时进行交叉验证(CV)、和网格搜索(GridSearch)，GridSearchCV实计上也是一个估计器(estimator)，同时它有几个重要属性：
best_params_ 最佳参数
best_score_ 在训练集中的准确率
best_estimator_ 最佳估计器
cv_results_ 交叉验证过程描述
best_index_最佳k在列表中的下标

完整示例代码

    #   best_params_  最佳参数
    #   best_score_ 在训练集中的准确率
    #   best_estimator_ 最佳估计器
    #   cv_results_ 交叉验证过程描述
    #   best_index_最佳k在列表中的下标

from sklearn.datasets import load_wine
from sklearn.preprocessing import StandardScaler #标准化
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier #KNN
from sklearn.model_selection import GridSearchCV #超参数GridSearchCV
from sklearn.decomposition import PCA #PCA降维
import pandas as pd

data = load_wine()

#数据结构 
x = pd.DataFrame(data.data,columns=data.feature_names)

#标准化
tr = StandardScaler()
x2 = tr.fit_transform(x)

#数据结构 
data2 = pd.DataFrame(x2,columns=data.feature_names)


#PCA降维
transfer1 = PCA(n_components=0.5)
data2 = transfer1.fit_transform(data2)


x_train,x_test,y_train,y_test = train_test_split(data2,data.target,test_size=0.2,random_state=33)

#创建模型
param = {'n_neighbors':[1,2,3,4,5,6,7,8,9,10]}

#knn
model = KNeighborsClassifier()
model = GridSearchCV(model,param)
model.fit(x_train,y_train)

#预测
predict = model.predict(x_test)

score = model.score(x_test,y_test)


print("最佳模型:", model.best_estimator_)
print("最佳参数:\n",model.best_params_)
print("最佳k在列表中的下标:\n",model.best_index_)
print("在训练集中的准确率:\n",model.best_score_)
print("最佳估计器:\n",model.best_estimator_)
print("交叉验证过程描述:\n",model.cv_results_)

总结

  • best_params_：最优的超参数组合。
  • best_score_：在交叉验证中的最佳平均得分。
  • best_estimator_：使用最佳超参数组合训练的模型。
  • cv_results_：交叉验证过程中所有超参数组合的详细结果。
  • best_index_：最优超参数组合在结果中的索引。

这些属性为你提供了全面的模型优化信息，帮助你选择和评估最佳模型。

实例：葡萄酒–分层k-折交叉验证

from sklearn.datasets import load_wine
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.model_selection import StratifiedKFold
import pandas as pd
import numpy as np
#加载数据
data = load_wine()

X = pd.DataFrame(data=data.data,columns=data.feature_names)

#标准化
transfer = StandardScaler()
X1 = transfer.fit_transform(X)
X2 = pd.DataFrame(X1,columns=data.feature_names)

#降维
transfer1 = PCA(n_components=0.5)
data1 = transfer1.fit_transform(X2)

#分层k-折交叉验证Stratified k-fold
skf = StratifiedKFold(n_splits=10,shuffle=True,random_state=2)

#储存每折准确率
accuracies = []

for train_index,test_index in skf.split(data1,data.target):
    x_train,x_test = data1[train_index],data1[test_index]
    y_train,y_test = data.target[train_index],data.target[test_index]
    #K近邻模型
    estimator = KNeighborsClassifier(n_neighbors=9)
    estimator.fit(x_train,y_train)

    #预测
    y_predict = estimator.predict(x_test)
    # print("y_predict:\n",y_test ==y_predict)
    #计算准确率
    score = estimator.score(x_test,y_test)
    accuracies.append(score)
    
print(accuracies)
print(np.mean(accuracies))

实例2 葡萄酒–K-折交叉验证(K-fold)

from sklearn.datasets import load_wine
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import KFold
from sklearn.neighbors import KNeighborsClassifier
from sklearn.decomposition import PCA
import pandas as pd
import joblib

data = load_wine()

x = pd.DataFrame(data.data,columns=data.feature_names)

#标准化
sta = StandardScaler()
x1 = sta.fit_transform(x)

x2 = pd.DataFrame(x1,columns=data.feature_names)

#降维
tra = PCA(n_components=0.6)

data1 = tra.fit_transform(x2)

kf = KFold(n_splits=10,shuffle=True,random_state=33)
#标准化
accuracies =[]
best_accuracy = 0
best_model = None


for train_index,test_index in kf.split(data1,data.target):
    x_train,x_test = data1[train_index],data1[test_index]
    y_train,y_test = data.target[train_index],data.target[test_index]

    #创建模型
    model = KNeighborsClassifier(n_neighbors=7)
    model.fit(x_train,y_train)

    #预测
    predict = model.predict(x_test)
    
    #准确率
    score = model.score(x_test,y_test)
    accuracies.append(score)
    
    if score > best_accuracy:
        best_accuracy = score
        best_model = model


# print("模型评估率：\n",accuracies)
# print("平均得分：\n",np.mean(accuracies))

joblib.dump(best_model,'./src/KNNmodel.pkl')
# 输出结果
print(f"每折的准确率: {accuracies}")
print(f"最高准确率: {best_accuracy}")

实例：mytool 函数的功能

mytool 函数的功能是计算一个文本数据集中每个词的 TF-IDF 值。TF-IDF 是一种常用的文本挖掘方法，用于衡量一个词在文档中的重要性。

import math  
from collections import defaultdict  

def calculate_tfidf(data):  
    total_documents = len(data)  
    word_document_count = defaultdict(int)  

    # 统计每个词在文档中出现的次数  
    for document in data:  
        unique_words = set(document.split())  
        for word in unique_words:  
            word_document_count[word] += 1  

    tfidf_matrix = []  
    
    # 计算每个文档的TF-IDF  
    for document in data:  
        word_list = document.split()  
        total_words = len(word_list)  
        
        tfidf_scores = []  
        for word in set(word_list):  
            TF = word_list.count(word) / total_words  
            IDF = math.log(total_documents / (1 + word_document_count[word]))  
            tfidf_scores.append(TF * IDF)  

        tfidf_matrix.append(tfidf_scores)  

    return tfidf_matrix  

# 示例使用  
data = [
    '世界 你好 我 是 华清 远见 的 张三',
    '你好 世界 我 是 李四 世界',
    '华清 远见 666'
] 

result = calculate_tfidf(data)  
print(result)

标签：KNN,机器,算法,train,test,import,model,data,sklearn
From： https://blog.csdn.net/alb3117149013/article/details/141402146

相关文章

  • AI大模型算法工程师职业前景：转行机会与挑战
    从ChatGPT到新近的GPT-4，GPT模型的发展表明，AI正在向着“类⼈化”⽅向迅速发展。GPT-4具备深度阅读和识图能⼒，能够出⾊地通过专业考试并完成复杂指令，向⼈类引以为傲的“创造⼒”发起挑战。现有的就业结构即将发⽣重⼤变化，社会⽣产⼒的快速提升将催⽣新的⾏业和岗位机会。如......
  • 【机器学习】西瓜书第一章 绪论
    参考资料：[1]周志华.机器学习[M].清华大学出版社,2016.一、引言我们生活中存在许多基于经验做出的判断，比如月明星稀，那第二天可能会是好天气；一个西瓜敲起来声音响，色泽也不错，大概率是一个好瓜。我们做出这样判断的原因是我们观察到了很多月明星稀之后的好天气，吃到了很多符合......
  • 看了几十篇论文，实现了个专业算法，用threejs做了个三维人员定位系统示例(已开源)
    需求“threejs中能不能给定几组三维坐标（或者CAD绘制的三维多段线），给一个断面形状，直接生成三维管道？”例如原始CAD图如下：要求用threejs获取线的三维坐标数据自动生成的三维管道效果图如下： 分析如果直接对每条线用threejs中的THREE.TubeGeometry去绘制的话，会出现交岔口出......
  • 机器学习/数据分析--通俗语言带你入门K-邻近算法(结合案例)
    ......
  • 「代码随想录算法训练营」第四十四天 | 图论 part2
    200.岛屿数量题目链接：https://leetcode.cn/problems/number-of-islands/description/文章讲解：https://programmercarl.com/kamacoder/0099.岛屿的数量深搜.html题目难度：中等题目状态：看题解思路一：深搜版方法dfs：参数:接受一个字符网格grid和当前坐标(r,c)。功能:......
  • AI机器人界的叶问，国产全能生活助手
     “从自动驾驶汽车到智能家居，AI的身影无处不在。而今，国产人形AI机器人的横空出世，更是将AI的边界推向了一个新的高度，它的故事，让海外最火AI机器人Figure的CEO也投来关注的目光。”机器人版叶师傅的诞生一个机器人，不仅能弹奏出悠扬的乐曲，还能熟练地泡一壶功夫茶，甚至......
  • 模拟退火算法的理论基础
    模拟退火算法是一种基于概率的，可以有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。通常用于解决：可行解过多、传统算法运算时间过长、筹款组合方案过多和NP-hard等问题目录一、模拟退火的思想与提出1.基本思想2.贪心算法失效--陷入局部最优3.模拟退火如何解决解决......
  • 算法与数据结构——基本数据类型与编码
    基本数据类型基本数据类型是计算机CPU可以直接进行运算的类型，在算法中直接被使用，主要包括以下几种整数类型byte、short、int、long。浮点数类型float、double，用于表示小数字符类型char，用于表示各种语言的字母、标点符号甚至表情符号等。布尔类型bool，用于表示“是”与“否”......
  • C++ SPFA算法解析
    前言将了解C++求最短路中SPFA的算法SPFASPFA的一些说明SPFA：适用于权值有负值，且没有负圈的图的单源最短路径，论文中的复杂度O(kE)，k为每个节点进入Queue的次数，且k一般<=2，但此处的复杂度证明是有问题的，其实SPFA的最坏情况应该是O(VE).!引例：输入格式给出一个有向图，请输出从......
  • 算法与数据结构——数据结构的分类
    数据结构的分类常见的数据结构包括数组、链表、栈、队列、哈希表、树、堆、图，它们可以从“逻辑结构”和“物理结构”两个维度进行分类逻辑结构：线性与非线性逻辑结构揭示了数据元素之间的逻辑关系。在数组和链表中，数据按照一定顺序排列，体现了数据之间的线性关系；而在数中，数据从顶......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99