用Python实现9大回归算法详解—

用Python实现9大回归算法详解——06. K近邻回归算法

news2024/11/16 3:38:15

1. K近邻回归的基本概念

K近邻回归（K-Nearest Neighbors Regression, KNN Regression）是一种基于实例的学习方法。与传统的回归模型不同，KNN回归不通过显式的函数来建模数据之间的关系，而是通过查找输入样本的“邻居”来进行预测。KNN回归的核心思想是：对于一个给定的输入样本，它的预测结果是其最近 $K$ 个邻居的目标值的平均值或加权平均值。

2. K近邻回归的算法流程

选择距离度量：选择一种合适的距离度量方法，用于计算样本之间的距离。常见的距离度量方法包括欧氏距离（Euclidean Distance）、曼哈顿距离（Manhattan Distance）等。

欧氏距离公式：

$d(x_i, x_j) = \sqrt{\sum_{k=1}^{n} (x_{ik} - x_{jk})^2}$

曼哈顿距离公式：

$d(x_i, x_j) = \sum_{k=1}^{n} |x_{ik} - x_{jk}|$

确定 $K$ 值：选择一个合适的 $K$ 值，即用于预测的新样本的邻居数。 $K$ 的选择会影响模型的复杂度和预测结果。
找到最近的 $K$ 个邻居：对于每个输入样本，根据选定的距离度量，找到训练集中与其最接近的 $K$ 个样本。
计算目标值的平均值：根据这 $K$ 个最近邻的目标值来计算预测值。常见的做法是计算这 $K$ 个目标值的平均值：

$\hat{y} = \frac{1}{K} \sum_{i \in N(x)} y_i$

如果使用加权平均值，公式为：

$\hat{y} = \frac{\sum_{i \in N(x)} w_i \cdot y_i}{\sum_{i \in N(x)} w_i}$

其中 $w_i$ 是第 $i$ 个邻居的权重。

3. K近邻回归的数学表达

假设我们有一个数据集 $D = \{(x_i, y_i)\}_{i=1}^{m}$ ，其中 $x_i$ 是样本特征， $y_i$ 是对应的目标值。对于一个新输入样本 $x$ ，其预测值 $\hat{y}$ 由以下公式计算：

$\hat{y} = \frac{1}{K} \sum_{i \in N(x)} y_i$

其中：

$N(x)$ 表示输入样本 $x$ 的 $K$ 个最近邻集合。
$K$ 是最近邻的个数。

如果使用加权平均，预测值的公式为：

$\hat{y} = \frac{\sum_{i \in N(x)} w_i \cdot y_i}{\sum_{i \in N(x)} w_i}$

4. K近邻回归的优缺点

优点：

简单易懂：KNN回归的思想非常直观，无需复杂的数学模型。
无模型训练过程：KNN是一种基于实例的学习方法，不需要在训练阶段构建模型，所有的计算都发生在预测时。
适应性强：KNN可以用于多种数据分布，只要选择合适的距离度量和 $K$ 值。

缺点：

计算复杂度高：在预测阶段，KNN需要计算输入样本与所有训练样本的距离，计算成本较高，尤其是在数据量较大时。
对噪声敏感：KNN容易受到异常值（噪声）的影响，特别是当 $K$ 值较小时。
数据依赖性强：KNN对数据的缩放和归一化非常敏感，因为距离度量直接受特征值范围的影响。

5. K近邻回归案例

我们将通过一个具体的案例来展示如何使用K近邻回归进行预测，并对结果进行详细分析。

5.1 数据加载与预处理

我们将使用一个模拟的数据集来进行回归预测。该数据集包含一个特征和一个目标变量，目标变量与特征之间存在非线性关系。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import mean_squared_error, r2_score

# 生成模拟数据
np.random.seed(42)
X = np.sort(5 * np.random.rand(100, 1), axis=0)
y = np.sin(X).ravel() + np.random.normal(0, 0.1, X.shape[0])

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 绘制数据点
plt.scatter(X, y, color='darkorange', label='data')
plt.title('Data Points')
plt.xlabel('Feature')
plt.ylabel('Target')
plt.show()

输出：

5.2 模型训练

我们使用 KNeighborsRegressor 进行模型训练，并设置 K=5。

# 定义K近邻回归模型
knn = KNeighborsRegressor(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 对测试集进行预测
y_pred = knn.predict(X_test)

5.3 结果分析

我们使用均方误差（MSE）和决定系数（ $R^2$ ）来评估模型的性能。

# 计算均方误差 (MSE) 和决定系数 (R²)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print("均方误差 (MSE):", mse)
print("决定系数 (R²):", r2)

输出：

均方误差 (MSE): 0.0100487643690526
决定系数 (R²): 0.9790530511131447

解释：

均方误差 (MSE)：模型的预测误差为 0.010，表明模型对测试集的预测较为准确。
决定系数 (R²)：模型的 $R^2$ 值为 0.970，说明模型能够解释 98.6% 的目标变量方差，拟合效果较好。

5.4 可视化分析

为了更直观地展示K近邻回归模型的预测效果，我们将绘制测试集的预测值与实际值的对比图。

# 绘制测试集预测值与实际值的对比图
plt.scatter(X_test, y_test, color='darkorange', label='Actual')
plt.scatter(X_test, y_pred, color='navy', label='Predicted')
plt.title('KNN Regression: Actual vs Predicted')
plt.xlabel('Feature')
plt.ylabel('Target')
plt.legend()
plt.show()

输出：

可视化解释：

实际值（橙色）：表示测试集的实际目标值。
预测值（蓝色）：表示模型预测的目标值。通过对比可以看出，模型的预测值与实际值非常接近，说明模型具有较好的预测能力。

5.5 K值的选择对模型的影响

为了更深入地理解 $K$ 值对K近邻回归模型性能的影响，我们可以尝试不同的 $K$ 值，并比较它们的结果。

k_values = [1, 3, 5, 10, 15]
mse_values = []

for k in k_values:
    knn = KNeighborsRegressor(n_neighbors=k)
    knn.fit(X_train, y_train)
    y_pred = knn.predict(X_test)
    mse_values.append(mean_squared_error(y_test, y_pred))

# 输出不同K值下的MSE
for k, mse in zip(k_values, mse_values):
    print(f"K: {k}, MSE: {mse}")

输出：

K: 1, MSE: 0.010451768716348698
K: 3, MSE: 0.010861756369177033
K: 5, MSE: 0.0100487643690526
K: 10, MSE: 0.009221657898998472
K: 15, MSE: 0.01604697426802005

解释：