05_K-近邻算法

Posted 2020-11-29 hp-lake

k-近邻算法

算法介绍

1. 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类别，则该样本也属于这个类别。

2. 计算距离公式：欧式距离 （两点之间距离）
   

3. 需要做标准化处理，防止某一类特征值权重过大

4. Sklearn API
   • sklearn.neighbors.KNeighborsClassifier
   • n 的取值会影响最终结果
     

算法实例 （Facebook Check in）

kaggle 案例网址

解决思路

1. 分类：
   • 特征值： x,y 坐标， 定位准确性， 年，日，时，周
   • 目标值： 入住位置的id
2. 处理： 0<x<10 0<y<10
   • 由于数据量大，节省时间，x,y 缩小
   • 时间戳进行(年，月，日，周，时分秒）， 当做新特征
   • 少于指定签到人数的位置删除

from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
import pandas as pd


def knncls():
    """
    K-近邻预测用户签到位置
    :return: None
    """
    # 读取数据
    data = pd.read_csv('./train.csv')
    # print(data.head(10))

    # 处理数据
    # 1.缩小数据
    data = data.query('x >1.0 & x < 1.25 & y > 2.5 & y < 2.75')

    # 2. 处理时间数据
    time_value = pd.to_datetime(data['time'], unit='s')
    # print(time_value)

    # 3. 构造一些特征, 把日期格式转换为字典格式
    time_value = pd.DatetimeIndex(time_value)
    data['day'] = time_value.day
    data['weekday'] = time_value.weekday
    data['hour'] = time_value.hour

    # 4.把时间戳特征删除
    data = data.drop(['time'],axis=1)
    # print(data)

    # 5.把签到数量少于n个的目标位置删除
    place_count = data.groupby('place_id').count() # 统计place_id次数,变成行索引
    tf = place_count[place_count.row_id > 3].reset_index() # row_id 具体次数，reset_index 把place_id生成新的一列
    data = data[data['place_id'].isin(tf.place_id)] # 筛选place_id
    # print(data)

    # 6.取出数据中的特征值和目标值
    y = data['place_id']
    x = data.drop(['place_id', 'row_id'], axis=1) # 去掉row_id 可以增加精度

    # 7.分割训练集和测试集
    x_train, x_test, y_train, y_text = train_test_split(x, y, test_size=0.25)

    # 8.特征工程（标准化）
    std = StandardScaler()
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    # 进行算法流程 fit, predict, score  #超参数
    knn = KNeighborsClassifier(n_neighbors=5)
    knn.fit(x_train, y_train)

    # 得出预测结果
    y_predict = knn.predict(x_test)
    print('预测的目标签到位置为：', y_predict)

    # 得出准确率
    print('预测的准确率为：', knn.score(x_test, y_text))
    return None


if __name__ == '__main__':
    knncls()

总结

问题

1. k值取多大，有什么影响？
   • k值取很小：容易受异常点影响
   • k值取很大：容易受K值数量（类别）波动
2. 性能问题

优缺点

1. 优点： 简单，易于理解实现，无需估计参数，无需训练

2. 缺点：
   • 懒惰算法，对测试样本分类时的计算量打，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

3. 使用场景：小数据（几千~几万），基本不常用