学习笔记(一)k-近邻算法(KNN)
终于找到《机器学习实战》这本书了,在此记录一些总结,便于回顾。
原理
- KNN的工作原理是:
存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。 - 我的理解:是在训练样本中找出与新数据(测试样本)距离最近的K个样本,这K个样本中哪个类别的样本数最多,新数据就属于哪一类。
- 距离选择
欧氏距离:
曼哈顿距离:
k-近邻算法的一般流程
(1) 收集数据:可以使用任何方法。
(2) 准备数据:距离计算所需要的数值,最好是结构化的数据格式。
(3) 分析数据:可以使用任何方法。
(4) 训练算法:此步骤不适用于k-近邻算法。
(5) 测试算法:计算错误率。
(6) 使用算法:首先需要输入样本数据和结构化的输出结果,然后运行k-近邻算法判定输
入数据分别属于哪个分类,最后应用对计算出的分类执行后续的处理。
k-近邻算法python实现
# -*- coding: utf-8 -*-
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)
class KNN():
def fit(self,x_train,y_train):
'''
x_train数据格式:每一列表示一个属性,每一行表示一个样本
y_train数据格式:一维数组,表示标签,与X_train相对应
'''
self.x_train = x_train
self.y_train = y_train
def predict(self,x_test,k = 1):
self.k = k
#计算欧式距离
distance = (np.sum((self.x_train - x_test) ** 2,1)) ** 0.5
sortindex = np.argsort(distance)
sortindex_k = sortindex[:self.k] #距离最近的k个样本索引
lable_k = self.y_train[sortindex_k] #选择距离最近的前k个标签
labelCount = {}
for i in lable_k:
if i in labelCount:
labelCount[i] += 1
else:
labelCount[i] = 1
result = sorted(labelCount.items(), key=lambda k:k[1], reverse=True)
return result[0][0]
if __name__ == '__main__':
x_train = mnist.train.images
y_train = mnist.train.labels
x_test = mnist.test.images
y_test = mnist.test.labels
knn = KNN()
#由于训练样本较多,可以考虑选择部分样本作为输入
knn.fit(x_train,y_train)
y_predict = []
#选择了测试集前10个样本做测试
for i in range(10):
y_predict.append(knn.predict(x_test[i],2))
print('预测值:',y_predict)
print('实际结果:',y_test[:10])
小结
k-近邻算法是分类数据最简单最有效的算法,但是当训练样本数量非常大时,必定会耗费非常多的计算机资源,由于必须对数据集中的每个数据计算距离值,实际使用时可能非常耗时。
为了缓解这些缺点,可以尝试将原始数据进行降维,减少计算量,另外,当样本数量比较多,而类别较少时,可以适当较少的选择样本进行训练。