一 定义
如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
1.1 距离公式
两个样本的距离可以通过如下公式计算，又叫欧式距离
二 电影类型分析
三 K-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
- n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
- algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
四 案例：预测签到位置
数据连接：
链接：https://pan.baidu.com/s/1O6rqUrD-QTeXYFJuElQFiw
提取码：w9d7
数据介绍：
train.csv，test.csv
row_id：登记事件的ID
xy：坐标
准确性：定位准确性
时间：时间戳
place_id：业务的ID，这是您预测的目标
4.1 数据分析
- 对于数据做一些基本处理（这里所做的一些处理不一定达到很好的效果，我们只是简单尝试，有些特征我们可以根据一些特征选择的方式去做处理）
1、缩小数据集范围 DataFrame.query()
2、处理日期数据 pd.to_datetime pd.DatetimeIndex
3、增加分割的日期数据
4、删除没用的日期数据 DataFrame.drop
5、将签到位置少于n个用户的删除
place_count = data.groupby(‘place_id’).count()
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data[‘place_id’].isin(tf.place_id)]
-
分割数据集
-
标准化处理
-
k-近邻预测
4.2 程序
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import pandas as pd
"""
k-紧邻 预测用户签到位置
"""
# 1.读取数据
data = pd.read_csv("./facebook-v-predicting-check-ins/train.csv")
print(data.head(10))
#处理数据
# 1.缩小数据 比如 pladc_id 入住位置，每个都不一样，但是可能某些位置就一两个人，
# 查询数据晒讯
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
# 2.处理时间 -时间戳日期 1990-01-01 10:25:10
timevalue = pd.to_datetime(data['time'], unit='s')
# 把时间格式转换成 字典格式
timevalue = pd.DatetimeIndex(timevalue)
# 构造特征 加入时间的其它的特征
data['day'] = timevalue.day
data['hour'] = timevalue.hour
data['weekday'] = timevalue.weekday
# 把时间戳特征删除 pd里1表示列 ske里0表示列
data = data.drop(['time'], axis=1)
# 把签到数量少于n个目标位置删除
place_count = data.groupby('place_id').count()
tf = place_count[place_count.row_id > 3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
# 3.取出特征值和目标值 去除数据中的特征值 和 目标值
y = data['place_id']
x = data.drop(['place_id'], axis=1)
# 4.数据分割
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# 5. 标准化 - 特征工程
std = StandardScaler()
#对测试集和训练集的特征值进行标准化
x_train = std.fit_transform(x_train)
x_test = std.fit_transform(x_test)
# 二 进行算法流程
# K值：算法传入参数不定的值 理论上：k = 根号(样本数)
# K值：后面会使用参数调优方法，去轮流试出最好的参数[1,3,5,10,20,100,200]
knn = KNeighborsClassifier(n_neighbors=5)
# fit输入数据 predict 估计 score准确率
knn.fit(x_train, y_train)
# 预测测试数据集，得出准确率
y_predict = knn.predict(x_test)
print("预测的目标签到位置为：",y_predict)
# 得出预测准确率
print("预测准确率：", knn.score(x_test, y_test))
4.3 结果分析
准确率： 分类算法的评估之一
- 1、k值取多大？有什么影响？
k值取很小：容易受到异常点的影响
k值取很大：受到样本均衡的问题
- 2、性能问题？
距离计算上面，时间复杂度高
五、K-近邻总结
- 优点：
简单，易于理解，易于实现，无需训练 - 缺点：
懒惰算法，对测试样本分类时的计算量大，内存开销大
必须指定K值，K值选择不当则分类精度不能保证 - 使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试
