运维开发网

图解超经典的KNN算法 - 机器学习算法入门

运维开发网 https://www.qedev.com 2021-01-24 11:12 出处:51CTO 作者:mb5fe18e7c44408
图解超经典的KNN算法本文中介绍的机器学习算法中的一种监督学习的算法:KNN 算法,全称是 K-Nearest Neighbor,中文称之为 K 近邻算法。它是机器学习可以说是最简单的分类算法之一,同时也是最常用的分类算法之一。在接下来的内容中,将通过以下的几个方面的内容对该算法进行详细的讲解:1、算法思想思想首先对 KNN 算法的思想进行简单的描述:KNN 算法是一个基本的分类和回归的算法,它是

图解超经典的KNN算法

本文中介绍的机器学习算法中的一种监督学习的算法:KNN 算法,全称是 K-Nearest Neighbor,中文称之为 K 近邻算法。

它是机器学习可以说是最简单的分类算法之一,同时也是最常用的分类算法之一。在接下来的内容中,将通过以下的几个方面的内容对该算法进行详细的讲解:

图解超经典的KNN算法 - 机器学习算法入门

1、算法思想

思想

首先对 KNN 算法的思想进行简单的描述:

KNN 算法是一个基本的分类和回归的算法,它是属于监督学习中分类方法的一种。其大致思想表述为:

  1. 给定一个训练集合 M 和一个测试对象 n ,其中该对象是由一个属性值和未知的类别标签组成的向量。
  2. 计算对象 m 和训练集中每个对象之间的距离(一般是欧式距离)或者相似度(一般是余弦相似度),确定最近邻的列表
  3. 将最近邻列表中数量占据最多的类别判给测试对象 z 。
  4. 一般来说,我们只选择训练样本中前 K 个最相似的数据,这便是 k-近邻算法中 k 的出处。

用一句俗语来总结 KNN 算法的思想:物以类聚,人以群分

说明

  • 所谓的监督学习和非监督学习,指的是训练数据是否有类别标签,如果有则是监督学习,否则是非监督学习
  • 在监督学习中,输入变量和输出变量可以连续或者离散的。如果输入输出变量都是连续型变量,则称为回归问题(房价预测);如果输出是离散型变量,则称之为分类问题(判断患者是否属于患病)
  • 在无监督学习中,数据是没有任何标签的,主要是各种聚类算法(以后学习)

2、算法步骤

KNN 算法的步骤非常简单:

  1. 计算未知实例到所有已知实例的距离;
  2. 选择参数 K(下面会具体讲解K值的相关问题)
  3. 根据多数表决( Majority-Voting )规则,将未知实例归类为样本中最多数的类别

3、图解 KNN 算法

K 值影响

下面通过一组图形来解释下 KNN 算法的思想。我们的目的是:判断蓝色的点属于哪个类别

我们通过变化 K 的取值来进行判断。在该算法中K的取值一般是奇数,防止两个类别的个数相同,无法判断对象的类别

K=1、3、5、7…….

图解超经典的KNN算法 - 机器学习算法入门

  1. 首先如果 K=1:会是什么的情况?

根据图形判断:蓝色图形应该是属于三角形

图解超经典的KNN算法 - 机器学习算法入门

  • K=3 的情形

从图中可以看出来:蓝色部分还是属于三角形

图解超经典的KNN算法 - 机器学习算法入门

  • K=5 的情形:

此时我们观察到蓝色部分属于正方形

图解超经典的KNN算法 - 机器学习算法入门

  • K=7 的情形:

这个时候蓝色部分又变成了三角形

图解超经典的KNN算法 - 机器学习算法入门

小结

当 K 取值不同的时候,判别的结果是不同的。所以该算法中K值如何选择将非常重要,因为它会影响到我们最终的结果。

4、K 值选取

交叉验证

上面的一系列图形中已经说明了该算法中K值对结果的影响。那么 K 值到底该如何选择呢?谜底揭晓:交叉验证

K 值一般是通过交叉验证来确定的;经验规则来说,一般 k 是低于训练样本数的平方根。

所谓交叉验证就是通过将原始数据按照一定的比例,比如 6/4 ,拆分成训练数据集和测试数据集,K 值从一个较小的值开始选取,逐渐增大,然后计算整个集合的方差,从而确定一个合适的 K 值。

经过使用交叉验证,我们会得到类似如下的图形,从图形中可以明显的:

  1. 当 K 先不断增大的时候,误差率会先进行降低。因为数据会包含更多的样本可以使用,从而分类效果会更好;
  2. 当 K=10 的附近,出现误差率的变化,建议 K=9 或者 11 ;
  3. 当 K 不断增大的时候,误差率将会不断增加。此时,KNN 算法将会变得没有意义。比如有 50 个样本,当 K 增加到 45 的时候,算法没有意义,几乎使用了全部样本数据,没有体现出最近邻的思想。

图解超经典的KNN算法 - 机器学习算法入门

  1. K 值过小

k值太小:容易受到噪声点的影响

  • 用较小的邻域中的实例进行预测;
  • 近似误差减小,估计误差增大;
  • 预测结果对近邻的实例点非常敏感;如果近邻点恰好是噪声,预测出错。

K 值过大

k 值太大:分类太多,太细,导致包含太多其他类别的点

  • 用较大的邻域中的实例点进行预测;
  • 减少学习的估计误差,但是近似误差增大;
  • 与输入实例较远的点的训练实例也会起预测作用;
  • k 值增大意味着整个模型变得简单

5、距离问题

常见距离

在上面的算法原理中提到,需要计算测试对象和训练集合中每个对象距离。在机器学习中,两个对象之间的距离包含:

常用的距离有以下几种:

  • 欧式距离
  • 曼哈顿距离
  • 切比雪夫距离
  • 闵可夫斯基距离
  • 标准欧式距离
  • 马氏距离
  • 汉明距离
  • 夹角余弦
  • 杰卡德相似系数

在 KNN 算法中我们一般采用的是欧式距离(常用)或者曼哈顿距离

欧式距离

N维空间的距离:

图解超经典的KNN算法 - 机器学习算法入门

当 n=2 时候,称之为欧式距离

图解超经典的KNN算法 - 机器学习算法入门

其中 X 称之为到原点的欧式距离

曼哈顿距离

曼哈顿距离是闵可夫斯基距离的一种特殊情形。闵可夫斯基距离指的是:

图解超经典的KNN算法 - 机器学习算法入门

当 p=2,变成欧式距离

当 p=1,变成曼哈顿距离

当 p 区域无穷,变成切比雪夫距离

6、算法优缺点

优点

  1. 简单易用,而且非常容易弄懂基本原理,KNN 算法可以说是机器算法中最简单易懂的算法。即使初学者没有太多的基础,相信也能明白它的原理。
  2. 算法是惰性的,模型训练时间快。KNN 算法没有明确的数据训练过程,或者说它根本不需要进行数据的训练,直接可以对测试对象进行判断。
  3. 适合用于多分类问题(对象具有多个标签)。

缺点

  1. 对计算机的内存要求高:因为它存储了整个训练数据,性能较低
  2. 算法的可解释差,对结果不能给出一定的解释规则

什么时候使用 KNN 算法?scikit-learn 官方中的一张图给出了一个答案:

图解超经典的KNN算法 - 机器学习算法入门

7、KNN算法实现

下面通过一个简单的算法来实现 KNN 算法,主要步骤为:

  1. 创建数据集合和标签
  2. 利用欧式距离,使用 KNN 算法进行分类
    1. 计算欧式距离
    2. 距离的排序(从大到小)
    3. 统计 K 个样本中出现次数多的,归属于该类别

图解超经典的KNN算法 - 机器学习算法入门

作者简介Peter,硕士毕业僧一枚,从电子专业自学Python入门数据行业,擅长数据分析及可视化。喜欢数据,坚持跑步,热爱阅读,乐观生活。个人格言:不浮于世,不负于己个人站点:www.renpeter.cn,欢迎常来小屋逛逛

图解超经典的KNN算法 - 机器学习算法入门

扫码领视频副本.gif

0

精彩评论

暂无评论...
验证码 换一张
取 消

关注公众号