K邻近算法

news2024/11/28 0:52:22

简介

介绍了非常简单的算法：K邻近算法，即KNN。

在这里插入图片描述

基本介绍

K-近邻算法（K-Nearest Neighbors，简称KNN）是一种基本且广泛应用的监督学习算法，主要用于分类和回归任务。

工作原理非常简答直观：所谓近朱者赤、近墨者黑。为了判断测试样本的类别，以所有的测试集样本为参照，计算测试样本与训练集所以样本的距离，从中选取与未知样本距离最近的K个已知样本，根据少数服从多数的投票法则**（majority-voting）**，根据这些邻居的信息来预测新数据点的分类或数值。

KNN算法的应用

分类任务：如在医疗领域根据患者的历史数据来预测疾病的类型。
回归任务：如预测房价或股票价格。
推荐系统：如根据用户的购买历史和偏好来推荐商品。

KNN算法的简单性和有效性使其成为许多领域中常用的基准算法之一。然而，它在处理大规模数据集时的计算和存储需求较高，这可能限制了其在某些应用中的实用性。

特点

非参数算法：KNN是一种非参数学习算法，这意味着它不对数据的分布做任何假设。这是它与其他统计学习方法最大的不同。

惰性学习器：KNN属于惰性学习方法，因为它实际上不会从训练数据中学习一个判别函数，而是直接使用训练数据进行预测，简单粗暴。

距离度量：KNN算法中的距离可以是任何度量距离，常见的有欧氏距离、曼哈顿距离或明可夫斯基距离，这在我写的聚类分析那篇文章有详细列举和介绍。

步骤

step 1 选择邻居数量K

K的选择会对算法结果有很大影响。

较小的K值意味着噪声将对结果有更大影响，而较大的K值则使计算成本更高并可能导致分类器过于平滑，拟合效果不佳。

step 2 计算距离

计算测试点与每个训练数据点之间的距离。

step 3 找到最近的K个邻居

选择距离最近的K个训练数据点作为邻居。

step 4 进行预测

对于分类任务，通常采用“投票制”，即在K个最近邻居中多数类别为预测类别；

对于回归任务，则通常是这K个邻居的输出变量的平均值。

KNN运用实例

我们运用一下 sklearn.datasets 中的 load_breast_cancer 数据集

# 导入库
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import pandas as pd
from sklearn.datasets import load_breast_cancer  # 使用乳腺癌维斯康数据
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, recall_score, precision_score, f1_score

# 示例数据集
data = load_breast_cancer()
print(data)
print(type(data))  # data的类型为<class 'sklearn.utils._bunch.Bunch'>
print("目标变量名称：", data.target_names)  # 目标变量名称： ['malignant' 'benign']，即良性和恶性

df = pd.DataFrame(data.data, columns=data.feature_names)
df['target'] = data.target
print(df)

# 将 target_names 映射到整数值
target_map = {'malignant': 1, 'benign': 0}
df['target'] = np.where(df['target'] == 0, 'benign', 'malignant')  # 将整数映射到字符
df['target'] = df['target'].map(target_map)  # 将字符映射到整数

# 划分训练集
X = df.drop('target', axis=1)
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=100)

# 创建KNN模型，建立实例，设置邻居数为3
knn = KNeighborsClassifier(n_neighbors=3)

# 训练模型
knn.fit(X_train, y_train)

# 预测
y_pred = knn.predict(X_test)
results_df = X_test.copy()
results_df['Actual'] = y_test
results_df['Predicted'] = y_pred
print(results_df.head())

# 评价
auc = accuracy_score(y_test, y_pred)
print(f"准确率为：{format(auc)}")
recall = recall_score(y_test, y_pred)
print(f"召回率为：{format(recall)}")
pre = precision_score(y_test, y_pred)
print(f"精确度为：{format(pre)}")
f1 = f1_score(y_test, y_pred)
print(f"F1-SCORE为：{format(f1)}")