当前位置： 首页 > news >正文

网站专题页做多大尺寸,石狮网站设计公司,做彩票网站需要境外,网页设计编辑器1. 为什么学习KNN算法 KNN是监督学习分类算法#xff0c;主要解决现实生活中分类问题。根据目标的不同将监督学习任务分为了分类学习及回归预测问题。 KNN#xff08;K-Nearest Neihbor#xff0c;KNN#xff09;K近邻是机器学习算法中理论最简单#xff0c;最好理解的算法…1. 为什么学习KNN算法 KNN是监督学习分类算法主要解决现实生活中分类问题。根据目标的不同将监督学习任务分为了分类学习及回归预测问题。 KNNK-Nearest NeihborKNNK近邻是机器学习算法中理论最简单最好理解的算法是一个非常适合入门的算法拥有如下特性 思想极度简单应用数学知识少(近乎为零)对于很多不擅长数学的小伙伴十分友好虽然算法简单但效果也不错

1. KNN 原理 上图中每一个数据点代表一个肿瘤病历 横轴表示肿瘤大小纵轴表示发现时间恶性肿瘤用蓝色表示良性肿瘤用红色表示 疑问新来了一个病人(下图绿色的点)如何判断新来的病人(即绿色点)是良性肿瘤还是恶性肿瘤 解决方法k-近邻算法的做法如下 1取一个值k3(k值后面介绍现在可以理解为算法的使用者根据经验取的最优值) 2在所有的点中找到距离绿色点最近的三个点 3让最近的点所属的类别进行投票 4最近的三个点都是蓝色的所以该病人对应的应该也是蓝色即恶性肿瘤。 3. 距离度量方法 机器学习算法中经常需要 判断两个样本之间是否相似 比如KNNK-means推荐算法中的协同过滤等等常用的套路是 将相似的判断转换成距离的计算 距离近的样本相似程度高距离远的相似程度低。所以度量距离是很多算法中的关键步骤。 KNN算法中要求数据的所有特征都用数值表示。若在数据特征中存在非数值类型必须采用手段将其进行量化为数值。 比如样本特征中包含有颜色红、绿、蓝一项颜色之间没有距离可言可通过将颜色转化为 灰度值来实现距离计算 。每个特征都用数值表示样本之间就可以计算出彼此的距离来 3.1 欧式距离 3.2 曼哈顿距离 3.3 切比雪夫距离(了解) 3.4 闵式距离 闵氏距离不是一种距离而是一组距离的定义是对多个距离度量公式的概括性的表述。
   其中p是一个变参数 当 p1 时就是曼哈顿距离当 p2 时就是欧氏距离当 p→∞ 时就是切比雪夫距离。 根据 p 的不同闵氏距离可以表示某一类/种的距离。 4. 归一化和标准化 样本中有多个特征每一个特征都有自己的定义域和取值范围他们对距离计算也是不同的如取值较大的影响力会盖过取值较小的参数。因此为了公平样本参数必须做一些归一化处理将不同的特征都缩放到相同的区间或者分布内。
   4.1 归一化 from sklearn.preprocessing import MinMaxScaler# 1. 准备数据 data [[90, 2, 10, 40],[60, 4, 15, 45],[75, 3, 13, 46]]

   2. 初始化归一化对象

   transformer MinMaxScaler()

   3. 对原始特征进行变换

   data transformer.fit_transform(data)

   4. 打印归一化后的结果

   print(data)归一化受到最大值与最小值的影响这种方法容易受到异常数据的影响, 鲁棒性较差适合传统精确小数据场景 4.2 标准化 from sklearn.preprocessing import StandardScaler# 1. 准备数据 data [[90, 2, 10, 40],[60, 4, 15, 45],[75, 3, 13, 46]]

   2. 初始化标准化对象

   transformer StandardScaler()

   3. 对原始特征进行变换

   data transformer.fit_transform(data)

   4. 打印归一化后的结果

   print(data)对于标准化来说如果出现异常点由于具有一定数据量少量的异常点对于平均值的影响并不大 5. K 值选择问题 KNN算法的关键是什么 答案一定是K值的选择下图中K3属于红色三角形K5属于蓝色的正方形。这个时候就是K选择困难的时候。 使用 scikit-learn 提供的 GridSearchCV 工具, 配合交叉验证法可以搜索参数组合. from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import train_test_split from sklearn.model_selection import GridSearchCV# 1. 加载数据集 x, y load_iris(return_X_yTrue)# 2. 分割数据集 x_train, x_test, y_train, y_test \train_test_split(x, y, test_size0.2, stratifyy, random_state0)# 3. 创建网格搜索对象 estimator KNeighborsClassifier() param_grid {n_neighbors: [1, 3, 5, 7]} estimator GridSearchCV(estimator, param_gridparam_grid, cv5, verbose0) estimator.fit(x_train, y_train)# 4. 打印最优参数 print(最优参数组合:, estimator.bestparams, 最好得分:, estimator.bestscore)# 4. 测试集评估模型 print(测试集准确率:, estimator.score(x_test, y_test))6. 数据集划分 为了能够评估模型的泛化能力可以通过实验测试对学习器的泛化能力进行评估进而做出选择。因此需要使用一个 “测试集” 来测试学习器对新样本的判别能力以测试集上的 “测试误差” 作为泛化误差的近似。 6.1 留出法(简单交叉验证) 留出法 (hold-out) 将数据集 D 划分为两个互斥的集合其中一个集合作为训练集 S另一个作为测试集 T。 from sklearn.model_selection import train_test_split from sklearn.model_selection import StratifiedShuffleSplit from sklearn.model_selection import ShuffleSplit from collections import Counter from sklearn.datasets import load_irisdef test01():# 1. 加载数据集x, y load_iris(return_X_yTrue)print(原始类别比例:, Counter(y))# 2. 留出法(随机分割)x_train, x_test, y_train, y_test train_test_split(x, y, test_size0.2)print(随机类别分割:, Counter(y_train), Counter(y_test))# 3. 留出法(分层分割)x_train, x_test, y_train, y_test train_test_split(x, y, test_size0.2, stratifyy)print(分层类别分割:, Counter(y_train), Counter(y_test))def test02():# 1. 加载数据集x, y load_iris(return_X_yTrue)print(原始类别比例:, Counter(y))print(* * 40)# 2. 多次划分(随机分割)spliter ShuffleSplit(n_splits5, test_size0.2, random_state0)for train, test in spliter.split(x, y):print(随机多次分割:, Counter(y[test]))print(* * 40)# 3. 多次划分(分层分割)spliter StratifiedShuffleSplit(n_splits5, test_size0.2, random_state0)for train, test in spliter.split(x, y):print(分层多次分割:, Counter(y[test]))if name main:test01()test02()6.2 交叉验证法 K-Fold交叉验证将数据随机且均匀地分成k分,每次使用k-1份数据作为训练而使用剩下的一份数据进行测试 from sklearn.model_selection import KFold from sklearn.model_selection import StratifiedKFold from collections import Counter from sklearn.datasets import load_irisdef test():# 1. 加载数据集x, y load_iris(return_X_yTrue)print(原始类别比例:, Counter(y))print(* * 40)# 2. 随机交叉验证spliter KFold(n_splits5, shuffleTrue, random_state0)for train, test in spliter.split(x, y):print(随机交叉验证:, Counter(y[test]))print(* * 40)# 3. 分层交叉验证spliter StratifiedKFold(n_splits5, shuffleTrue, random_state0)for train, test in spliter.split(x, y):print(分层交叉验证:, Counter(y[test]))if name main:test()6.3 留一法 留一法( Leave-One-Out简称LOO即每次抽取一个样本做为测试集。 from sklearn.model_selection import LeaveOneOut from sklearn.model_selection import LeavePOut from sklearn.datasets import load_iris from collections import Counterdef test01():# 1. 加载数据集x, y load_iris(return_X_yTrue)print(原始类别比例:, Counter(y))print(* * 40)# 2. 留一法spliter LeaveOneOut()for train, test in spliter.split(x, y):print(训练集:, len(train), 测试集:, len(test), test)print(* * 40)# 3. 留P法spliter LeavePOut(p3)for train, test in spliter.split(x, y):print(训练集:, len(train), 测试集:, len(test), test)if name main:test01()6.4 自助法 每次随机从D中抽出一个样本将其拷贝放入D然后再将该样本放回初始数据集D中使得该样本在下次采样时仍有可能被抽到 这个过程重复执行m次后我们就得到了包含m个样本的数据集D′这就是自助采样的结果。 import pandas as pdif name main:# 1. 构造数据集data [[90, 2, 10, 40],[60, 4, 15, 45],[75, 3, 13, 46],[78, 2, 64, 22]]data pd.DataFrame(data)print(数据集:\n,data)print(* * 30)# 2. 产生训练集train data.sample(frac1, replaceTrue)print(训练集:\n, train)print(* * 30)# 3. 产生测试集test data.loc[data.index.difference(train.index)]print(测试集:\n, test)7. 可执行示例代码 以下是 K-NN 算法的实现示例代码使用 scikit-learn 库 import numpy as np from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score# 示例数据 X np.array([[1, 2], [2, 3], [3, 4], [6, 7], [7, 8], [8, 9]]) y np.array([0, 0, 0, 1, 1, 1])# 划分训练集和测试集 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.33, random_state42)# 创建KNN分类器 knn KNeighborsClassifier(n_neighbors3)# 训练模型实际上只是存储数据 knn.fit(X_train, y_train)# 进行预测 y_pred knn.predict(X_test)# 计算准确率分类算法的评估 accuracy accuracy_score(y_test, y_pred) print(Accuracy:, accuracy)通过这个示例可以看到 K-NN 算法的基本流程和实现。该算法通过计算距离来进行分类并可以通过调整 K 值来优化模型性能。 8. K-NN 算法总结 K-NNK-Nearest Neighbors算法是一种基于实例的学习方法用于分类和回归。它通过计算样本与训练集中所有样本之间的距离选择最近的 K 个邻居然后根据这些邻居的标签进行预测。 特点 基于实例没有显式的训练过程直接使用训练数据进行预测。懒惰学习训练阶段只是存储数据实际的计算发生在预测阶段。非参数化不对数据进行任何假设。 优点 简单易实现实现起来相对简单理解容易。无需假设数据分布对数据的分布没有任何假设。适用于分类和回归可以同时用于分类和回归问题。灵活性可以处理多类别分类问题。 缺点 计算复杂度高预测时需要计算新样本与所有训练样本的距离计算量大尤其是数据量大时。存储复杂度高需要存储所有的训练数据。对噪音敏感容易受到噪音和异常值的影响。维度灾难高维数据时计算距离的效果会变差需要进行降维处理。 关键 选择合适的 K 值K 值过小容易过拟合K 值过大容易欠拟合。通常通过交叉验证选择合适的 K 值。距离度量常用的距离度量方法有欧氏距离、曼哈顿距离、闵可夫斯基距离等。特征缩放在计算距离前需要对特征进行标准化或归一化处理以避免特征值范围差异导致的计算偏差。 过程 数据准备准备训练数据集和测试数据集。计算距离对于每个测试样本计算它与所有训练样本之间的距离。选择邻居选择距离最近的 K 个邻居。投票或平均 分类对 K 个邻居的类别进行投票选择出现次数最多的类别作为预测结果。回归对 K 个邻居的目标值进行平均作为预测结果。 输出结果输出测试样本的预测结果。