图解机器学习 | KNN算法及其应用
文章图片
作者:韩信子@ShowMeAI
教程地址:http://www.showmeai.tech/tutorials/34
本文地址:http://www.showmeai.tech/article-detail/187
声明:版权所有,转载请联系平台与作者并注明出处
引言
K近邻算法(k-nearest neighbors,KNN,有些地方也译作「K近邻算法」)是一种很基本朴实的机器学习方法。
KNN在我们日常生活中也有类似的思想应用,比如,我们判断一个人的人品,往往只需要观察他最密切的几个人的人品好坏就能得到结果了。这就是KNN的思想应用,KNN方法既可以做分类,也可以做回归。在本篇内容中,我们来给大家展开讲解KNN相关的知识原理。
(本篇KNN部分内容涉及到机器学习基础知识,没有先序知识储备的宝宝可以查看ShowMeAI的文章 图解机器学习 | 机器学习基础知识。
1.机器学习与分类问题
1)分类问题
分类问题是机器学习非常重要的一个组成部分,它的目标是根据已知样本的某些特征,判断一个样本属于哪个类别。分类问题可以细分如下:
- 二分类问题:表示分类任务中有两个类别新的样本属于哪种已知的样本类。
- 多类分类(Multiclass classification)问题:表示分类任务中有多类别。
- 多标签分类(Multilabel classification)问题:给每个样本一系列的目标标签。
文章图片
2)分类问题的数学抽象 从算法的角度解决一个分类问题,我们的训练数据会被映射成n维空间的样本点(这里的n就是特征维度),我们需要做的事情是对n维样本空间的点进行类别区分,某些点会归属到某个类别。
下图所示的是二维平面中的两类样本点,我们的模型(分类器)在学习一种区分不同类别的方法,比如这里是使用一条直线去对2类不同的样本点进行切分。
文章图片
常见的分类问题应用场景很多,我们选择几个进行举例说明:
- 垃圾邮件识别:可以作为二分类问题,将邮件分为你「垃圾邮件」或者「正常邮件」。
- 图像内容识别:因为图像的内容种类不止一个,图像内容可能是猫、狗、人等等,因此是多类分类问题。
- 文本情感分析:既可以作为二分类问题,将情感分为褒贬两种,还可以作为多类分类问题,将情感种类扩展,比如分为:十分消极、消极、积极、十分积极等。
1)K近邻核心思想 在KNN分类中,输出是一个分类族群。一个对象的分类是由其邻居的「多数表决」确定的,K个最近邻居(K为正整数,通常较小)中最常见的分类决定了赋予该对象的类别。
- 若K=1,则该对象的类别直接由最近的一个节点赋予。
在KNN回归中,输出是该对象的属性值。该值是其K个最近邻居的值的平均值。
文章图片
K近邻居法采用向量空间模型来分类,概念为相同类别的案例,彼此的相似度高。而可以借由计算与已知类别案例之相似度,来评估未知类别案例可能的分类。
KNN是一种基于实例的学习,或者是局部近似和将所有计算推迟到分类之后的惰性学习。K-近邻算法是所有的机器学习算法中最简单的之一。
2)豆子分类例子 想一想:下图中只有三种豆,有三个豆的种类未知,如何判定他们的种类?
文章图片
1968年,Cover和Hart提出了最初的近邻法,思路是——未知的豆离哪种豆最近,就认为未知豆和该豆是同一种类。
文章图片
由此,引出最近邻算法的定义:为了判定未知样本的类别,以全部训练样本作为代表点计算未知样本与所有训练样本的距离,并以最近邻者的类别作为决策未知样本类别的唯一依据。
最近邻算法的缺陷是对噪声数据过于敏感。从图中可以得到,一个圈起来的蓝点和两个圈起来的红点到绿点的距离是相等的,根据最近邻算法,该点的形状无法判断。
为了解决这个问题,我们可以把位置样本周边的多个最近样本计算在内,扩大参与决策的样本量,以避免个别数据直接决定决策结果。
文章图片
引进K-近邻算法——选择未知样本一定范围内确定个数的K个样本,该K个样本大多数属于某一类型,则未知样本判定为该类型。K-近邻算法是最近邻算法的一个延伸。
根据K近邻算法,离绿点最近的三个点中有两个是红点,一个是蓝点,红点的样本数量多于蓝点的样本数量,因此绿点的类别被判定为红点。3.K近邻算法步骤与示例 下面的内容首先为大家梳理下K近邻算法的步骤,之后通过示例为大家展示K近邻算法的计算流程。
文章图片
1)K近邻算法工作原理
- 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个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,只选择样本数据集中前N个最相似的数据。K一般不大于20,最后,选择K个中出现次数最多的分类,作为新数据的分类。
- 如何选择一个最佳的K值取决于数据。一般情况下,在分类时较大的K值能够减小噪声的影响, 但会使类别之间的界限变得模糊。一个较好的K值能通过各种启发式技术(见超参数优化)来获取。
- 噪声和非相关性特征的存在,或特征尺度与它们的重要性不一致会使K近邻算法的准确性严重降低。对于选取和缩放特征来改善分类已经做了很多研究。一个普遍的做法是利用进化算法优化功能扩展,还有一种较普遍的方法是利用训练样本的互信息进行选择特征。
- 在二元(两类)分类问题中,选取K为奇数有助于避免两个分类平票的情形。在此问题下,选取最佳经验K值的方法是自助法。
说明:KNN没有显示的训练过程,它是「懒惰学习」的代表,它在训练阶段只是把数据保存下来,训练时间开销为0,等收到测试样本后进行处理。3)K近邻算法示例 举例:以电影分类作为例子,电影题材可分为爱情片,动作片等。那么爱情片有哪些特征?动作片有哪些特征呢?也就是说给定一部电影,怎么进行分类?
这里假定将电影分为爱情片和动作片两类,如果一部电影中接吻镜头很多,打斗镜头较少,显然是属于爱情片,反之为动作片。
文章图片
有人曾根据电影中打斗动作和接吻动作数量进行评估,数据如图。给定一部电影数据(18,90)打斗镜头18个,接吻镜头90个,如何知道它是什么类型的呢?
现在我们按照距离的递增顺序排序,可以找到k个距离最近的电影。
文章图片
加入K=3,那么来看排序的前3个电影的类别,爱情片,爱情片,动作片,下面来进行投票,这部未知的电影爱情片2票,动作片1票,那么我们就认为这部电影属于爱情片。
4.K近邻算法的缺点与改进 1)K近邻算法的优缺点 不同类别的样本点,分布在空间的不同区域。K近邻是基于空间距离较近的样本类别来进行分类,本质上是对于特征空间的划分。
文章图片
- 优点:精度高、对异常值不敏感、无数据输入假定。
- 缺点:计算复杂度高、空间复杂度高。
- 适用数据范围:数值型和标称型。
距离的度量标准,对很多算法来说都是核心要素(比如无监督学习的 聚类算法 也很大程度依赖距离度量),也对其结果有很大的影响。
文章图片
Lp距离(又称闵可夫斯基距离,Minkowski Distance)不是一种距离,而是一组距离的定义。
- 参数p=1时为曼哈顿距离(又称L1距离或程式区块距离),表示两个点在标准坐标系上的绝对轴距之和。
- 参数p=2时为欧氏距离(又称L2距离或欧几里得度量),是直线距离常见的两点之间或多点之间的距离表示法。
- 参数p→∞时,就是切比雪夫距离(各坐标数值差的最大值)。
如果选择较大的K值,就意味着整体的模型变得简单,减少学习的估计误差,但缺点是学习的近似误差会增大。
在实际的应用中,一般采用一个比较小的K值。并采用交叉验证的方法,选取一个最优的K值。4)K近邻算法的缺点与改进 (1)缺点
观察下面的例子,我们看到,对于样本X,通过KNN算法,我们显然可以得到X应属于红色类别。但对于样本Y,KNN算法判定的结果是Y应属于蓝色类别,然而从距离上看Y和红色的批次样本点更接近。因此,原始的KNN算法只考虑近邻不同类别的样本数量,而忽略掉了距离。
文章图片
除了上述缺点,KNN还存在如下缺点:
- 样本库容量依赖性较强对KNN算法在实际应用中的限制较大:有不少类别无法提供足够的训练样本,使得KNN算法所需要的相对均匀的特征空间条件无法得到满足,使得识别的误差较大。
- K值的确定:KNN算法必须指定K值,K值选择不当则分类精度不能保证。
文章图片
加快KNN算法的分类速度。
- 浓缩训练样本当训练样本集中样本数量较大时,为了减小计算开销,可以对训练样本集进行编辑处理,即从原始训练样本集中选择最优的参考子集进行K近邻寻找,从而减少训练样本的存储量和提高计算效率。
- 加快K个最近邻的搜索速度这类方法是通过快速搜索算法,在较短时间内找到待分类样本的K个最近邻。
- 对训练样本库进行维护以满足KNN算法的需要,包括对训练样本库中的样本进行添加或删除,采用适当的办法来保证空间的大小,如符合某种条件的样本可以加入数据库中,同时可以对数据库库中已有符合某种条件的样本进行删除。从而保证训练样本库中的样本提供KNN算法所需要的相对均匀的特征空间。
文章图片
分类过程:已知的数据集中,每个已出租住房都有房间数量、厕所数量、容纳人数等字段,并有对应出租价格。将预计出租房子数据与数据集中每条记录比较计算欧式距离,取出距离最小的5条记录,将其价格取平均值,可以将其看做预计出租房子的市场平均价格。
注意:
- 最好不要将所有数据全部拿来测试,需要分出训练集和测试集,具体划分比例按数据集确定。
- 理想情况下,数据集中每个字段取值范围都相同。但实际上这是几乎不可能的,如果计算时直接用原数数据计算,则会造成较大训练误差。所以需要对各列数据进行标准化或归一化操作,尽量减少不必要的训练误差。
- 数据集中非数值类型的字段需要转换,替换掉美元$符号和千分位逗号。
- 1.机器学习基础知识
- 2.模型评估方法与准则
- 3.KNN算法及其应用
- 4.逻辑回归算法详解
- 5.朴素贝叶斯算法详解
- 6.决策树模型详解
- 7.随机森林分类模型详解
- 8.回归树模型详解
- 9.GBDT模型详解
- 10.XGBoost模型最全解析
- 11.LightGBM模型详解
- 12.支持向量机模型详解
- 13.聚类算法详解
- 14.PCA降维算法详解
- 图解Python编程:从入门到精通系列教程
- 图解数据分析:从入门到精通系列教程
- 图解AI数学基础:从入门到精通系列教程
- 图解大数据技术:从入门到精通系列教程
- 图解机器学习算法:从入门到精通系列教程
文章图片
推荐阅读
- C#学习笔记|C#学习笔记(函数初始)
- 算法|机器学习必学十大算法
- mybatisplus|Java学习 --- mybatisplus添加日志功能
- Go学习|Go学习:接口的值类型
- pytorch深度学习|pytorch中张量的维度变换,torch.squeeze()、torch.unsqueeze()函数
- R|R语言包学习之tidyr包(数据结构重构)
- Flow学习笔记|【FLOW学习笔记】流模型(Flow-based Model)详解
- python|python pandas中DataFrame学习笔记
- 机器学习|AlexNet网络结构详解及TensorFlow代码实现
- 图解机器学*|图解机器学* | 机器学*基础知识