k近鄰算法是一種最簡(jiǎn)單最經(jīng)典的機(jī)器學(xué)習(xí)算法之一。該算法的原理為：當(dāng)對(duì)測(cè)試樣本進(jìn)行分類時(shí)，首先通過(guò)掃描訓(xùn)練樣本集，找到與該測(cè)試樣本最相似的k個(gè)訓(xùn)練樣本，根據(jù)這個(gè)樣本的類別進(jìn)行投票確定測(cè)試樣本的類別。也可以通過(guò)個(gè)樣本與測(cè)試樣本的相似程度進(jìn)行加權(quán)投票。如果需要以測(cè)試樣本對(duì)應(yīng)每類的概率的形式輸出，可以通過(guò)個(gè)樣本中不同類別的樣本數(shù)量分布來(lái)進(jìn)行估計(jì)。

以下通過(guò)一個(gè)例子了解k近鄰算法。

?利用k近鄰算法確認(rèn)紫圓為哪個(gè)類別。若k=1，則找到離圖中紫圓最近的1個(gè)樣本，這個(gè)樣本為紅色正方形，故紫圓屬于紅色正方形類別；若k=7，則找到離紫圓最近的7個(gè)樣本，這7個(gè)樣本中有5個(gè)綠色三角形和兩個(gè)紅色正方形，其中類數(shù)三角形數(shù)量比紅色正方形多，故紫圓屬于綠色三角形。由以上例子可知k近鄰算法對(duì)樣本的分類及其依賴于k的取值。

?當(dāng)然k近鄰算法對(duì)距離的計(jì)算方式有多種，其中以Manhattan 距離與Euclidean 距離為主。

我們一般采用Euclidean 距離。

?

在上述介紹中我們得知k近鄰算法對(duì)樣本的分類及其依賴于k的取值。k值不可取過(guò)大或過(guò)小。

• k值越大，模型的偏差越大，對(duì)噪聲數(shù)據(jù)越不敏感，當(dāng)k值很大時(shí)，可能造成欠擬合；
• k值越小，模型的方差就會(huì)越大，當(dāng)k值太小，就會(huì)造成過(guò)擬合。?

以下為k值取值過(guò)大或過(guò)小時(shí)的例子。

?如圖當(dāng)k=1時(shí)在圖中紫色圖層中夾雜了參差不齊的綠色圖層，該訓(xùn)練結(jié)果并非很好的劃分了紅綠紫三個(gè)區(qū)域，造成了過(guò)擬合現(xiàn)象。

如圖當(dāng)k=150時(shí)由于無(wú)論取圖上哪個(gè)點(diǎn)都是紫色點(diǎn)投票最多，故該點(diǎn)必被分類為紫色一類，造成了欠擬合現(xiàn)象。

因此k的取值因滿足以下兩個(gè)條件：

1.近鄰點(diǎn)要有相同/相近的類別

2.特征維度的尺度（范圍）要具備一致性

接下來(lái)看一例子：

?如上圖，若我們用傳統(tǒng)的Euclidean 距離作為k近鄰算法判斷距離的標(biāo)準(zhǔn)，我們會(huì)驚訝的發(fā)現(xiàn)每年獲得的飛行?？屠锍虜?shù)將占到距離的絕大部分比重，也就是說(shuō)樣本的分類基本上只與每年獲得的飛行?？屠锍虜?shù)相關(guān)聯(lián)了。所以我們要進(jìn)行數(shù)值歸一化的處理，使得上圖中三個(gè)特征的權(quán)重相等。

數(shù)據(jù)歸一化的處理方法有很多種，比如0-1標(biāo)準(zhǔn)化、Z-score標(biāo)準(zhǔn)化、Sigmoid壓縮法等等，在這里我們使用最簡(jiǎn)單的0-1標(biāo)準(zhǔn)化，公式如下：?

?

?接下來(lái)調(diào)用鳶尾花Iris數(shù)據(jù)集，利用k近鄰算法訓(xùn)練該數(shù)據(jù)集并評(píng)估模型準(zhǔn)確率。

1.鳶尾花Iris數(shù)據(jù)集介紹

· Iris （/?a?r?s/） 數(shù)據(jù)集是機(jī)器學(xué)習(xí)任務(wù)中常用的分類實(shí)驗(yàn)數(shù)據(jù)集，由Fisher在1936年整理。

· Iris ：Anderson’s Iris data set， 中文名稱：安德森鳶尾花數(shù)據(jù)集

· Iris 數(shù)據(jù)集一共包含150個(gè)樣本，分3類，每類50個(gè)數(shù)據(jù)，每個(gè)數(shù)據(jù)包含4個(gè)特征。4個(gè)特征分別為： Sepal.Length（花萼長(zhǎng)度）、Sepal.Width（花萼寬度）、Petal.Length（花瓣長(zhǎng)度）、Petal.Width（花瓣寬度），特征值都為正浮點(diǎn)數(shù)，單位為厘米。根據(jù)4個(gè)特征預(yù)測(cè)鳶尾花屬于 Iris Setosa（山鳶尾）、Iris Versicolour（雜色鳶尾），Iris Virginica（維吉尼亞鳶尾）
數(shù)據(jù)集結(jié)構(gòu)與數(shù)據(jù)大致如下：

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier import numpy as npiris = load_iris() print(iris)

?

?其中前部分為特征： Sepal.Length（花萼長(zhǎng)度）、Sepal.Width（花萼寬度）、Petal.Length（花瓣長(zhǎng)度）、Petal.Width（花瓣寬度）后部分為標(biāo)簽：Iris Setosa（山鳶尾）、Iris Versicolour（雜色鳶尾），Iris Virginica（維吉尼亞鳶尾）(分別利用0，1，2代替原有標(biāo)簽名)。

2.sklearn中 neighbors.KNeighborsClassifier參數(shù)說(shuō)明

在sklearn庫(kù)中，KNeighborsClassifier是實(shí)現(xiàn)K近鄰算法的一個(gè)類，一般都使用歐式距離進(jìn)行測(cè)量。

KNeighborsClassifier(n_neighbors=5,weights=’uniform’,algorithm=’auto’,leaf_size=30,p=2,metric=’minkowski’,metric_params=None,n_jobs=1,**kwargs)

n_neighbors: int, 可選參數(shù)(默認(rèn)為 5)用于kneighbors查詢的默認(rèn)鄰居的數(shù)量；

weights（權(quán)重）: str or callable(自定義類型), 可選參數(shù)(默認(rèn)為 ‘uniform’)用于預(yù)測(cè)的權(quán)重函數(shù);

algorithm（算法）: {‘a(chǎn)uto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, 可選參數(shù)（默認(rèn)為 ‘a(chǎn)uto’）計(jì)算最近鄰居用的算法;

leaf_size（葉子數(shù)量）: int, 可選參數(shù)(默認(rèn)為 30),傳入BallTree或者KDTree算法的葉子數(shù)量;

p: integer, 可選參數(shù)(默認(rèn)為 2)用于Minkowski metric（閔可夫斯基空間）的超參數(shù)。p = 1, 相當(dāng)于使用曼哈頓距離 (l1)，p = 2, 相當(dāng)于使用歐幾里得距離(l2);

metric（矩陣）: string or callable, 默認(rèn)為 ‘minkowski’用于樹(shù)的距離矩陣。默認(rèn)為閔可夫斯基空間，如果和p=2一塊使用相當(dāng)于使用標(biāo)準(zhǔn)歐幾里得矩陣;

metric_params（矩陣參數(shù)）: dict, 可選參數(shù)(默認(rèn)為 None),給矩陣方法使用的其他的關(guān)鍵詞參數(shù);

n_jobs: int, 可選參數(shù)(默認(rèn)為 1)用于搜索鄰居的，可并行運(yùn)行的任務(wù)數(shù)量。如果為-1, 任務(wù)數(shù)量設(shè)置為CPU核的數(shù)量。不會(huì)影響fit方法.

• 方法：

?

3.?編寫(xiě)代碼，實(shí)現(xiàn)對(duì)iris數(shù)據(jù)集的k近鄰算法分類及預(yù)測(cè)

一：引入庫(kù)

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier import numpy as np

二：加載數(shù)據(jù)集，定義區(qū)分特征與標(biāo)記

iris = load_iris() #date為特征數(shù)據(jù)集 data = iris.get("data") #target為標(biāo)記數(shù)據(jù)集 target = iris.get("target")

三：劃分測(cè)試集與訓(xùn)練集

#劃分測(cè)試集占20% x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0)

四：定義k值

#定義k值 KNN = KNeighborsClassifier(n_neighbors=5)

五：評(píng)價(jià)模型的準(zhǔn)確率

test_score = KNN.score(x_test, y_test) print("模型的準(zhǔn)確率：", test_score)

六：使用模型預(yù)測(cè)未知種類樣本

#定義三個(gè)測(cè)試數(shù)據(jù) X1 = np.array([[1.9, 2.8, 4.7, 1.1], [5.8, 2.7, 4.1, 1.5], [3.6, 2.5, 3.1, 2.1]]) prediction = KNN.predict(X1) #根據(jù)預(yù)測(cè)值找出對(duì)應(yīng)花名 a = iris.get("target_names")[prediction] print("第一朵花的種類為：", a[0]) print("第二朵花的種類為：", a[1]) print("第三朵花的種類為：", a[2])

?完整代碼

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier import numpy as np if __name__ == '__main__':iris = load_iris()#date為特征數(shù)據(jù)集data = iris.get("data")#target為標(biāo)記數(shù)據(jù)集target = iris.get("target")#劃分測(cè)試集占20%x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0)#定義k值KNN = KNeighborsClassifier(n_neighbors=5)KNN.fit(x_train, y_train)train_score = KNN.score(x_train, y_train)test_score = KNN.score(x_test, y_test)print("模型的準(zhǔn)確率：", test_score)#定義三個(gè)測(cè)試數(shù)據(jù)X1 = np.array([[1.9, 2.8, 4.7, 1.1], [5.8, 2.7, 4.1, 1.5], [3.6, 2.5, 3.1, 2.1]])prediction = KNN.predict(X1)#根據(jù)預(yù)測(cè)值找出對(duì)應(yīng)花名a = iris.get("target_names")[prediction]print("第一朵花的種類為：", a[0])print("第二朵花的種類為：", a[1])print("第三朵花的種類為：", a[2])

結(jié)果

?接下來(lái)改變k值觀察模型準(zhǔn)確率。

當(dāng)k=100時(shí)：

當(dāng) k=50時(shí)：

當(dāng)k=120時(shí)：

?

可以看出當(dāng)k值越來(lái)越高至接近樣本總數(shù)150時(shí)它的準(zhǔn)確率越來(lái)越低，這吻合了上文介紹的k值過(guò)大造成的欠擬合現(xiàn)象。?

?k近鄰算法優(yōu)缺點(diǎn)

優(yōu)點(diǎn)：

1.?簡(jiǎn)單有效

2.重新訓(xùn)練的代價(jià)低(沒(méi)有構(gòu)建模型)

3.適合類域交叉樣本：KNN方法主要靠周?chē)邢薜泥徑臉颖?而不是靠判別類域的方法來(lái)確定所屬類別的，因此對(duì)于類域的交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其他方法更為適合。
4.適合大樣本自動(dòng)分類：該算法比較適用于樣本容量比較大的類域的自動(dòng)分類，而那些樣本容量較小的類域采用這種算法比較容易產(chǎn)生誤分。
?

缺點(diǎn)：

1.惰性學(xué)習(xí)：KNN算法是懶散學(xué)習(xí)方法（lazy learning,基本上不學(xué)習(xí)），一些積極學(xué)習(xí)的算法要快很多
2.類別評(píng)分不是規(guī)格化：不像一些通過(guò)概率評(píng)分的分類
3.輸出可解釋性不強(qiáng)：例如決策樹(shù)的輸出可解釋性就較強(qiáng)
4.對(duì)不均衡的樣本不擅長(zhǎng)：當(dāng)樣本不平衡時(shí)，如一個(gè)類的樣本容量很大，而其他類樣本容量很小時(shí)，有可能導(dǎo)致當(dāng)輸入一個(gè)新樣本時(shí)，該樣本的K個(gè)鄰居中大容量類的樣本占多數(shù)。該算法只計(jì)算“最近的”鄰居樣本，某一類的樣本數(shù)量很大，那么或者這類樣本并不接近目標(biāo)樣本，或者這類樣本很靠近目標(biāo)樣本。無(wú)論怎樣，數(shù)量并不能影響運(yùn)行結(jié)果。可以采用權(quán)值的方法（和該樣本距離小的鄰居權(quán)值大）來(lái)改進(jìn)。
5.計(jì)算量較大：目前常用的解決方法是事先對(duì)已知樣本點(diǎn)進(jìn)行剪輯，事先去除對(duì)分類作用不大的樣本。

總結(jié)

以上是生活随笔為你收集整理的机器学习：k近邻算法（KNN）介绍的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。