k nearest neighbours k最近邻分类算法介绍
K最近邻(KNN, K-Nearest Neighbor)分类算法是数据挖掘分类技术中最简单的方法之一,也是机器学习领域中一种基本的分类和回归方法。以下是对K最近邻分类算法的详细解释:
核心思想
KNN算法的核心思想是:如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。这种分类决策只依赖于最邻近的一个或几个样本的类别,而不需要构建复杂的分类模型。
算法流程
准备数据:对数据进行预处理,包括特征选择、特征缩放等。
确定K值:K是一个预先设定的正整数,表示在训练集中选取与待分类点最近的邻居数量。K值的选择对最终预测结果有显著影响,需根据具体问题和数据特性进行合理选择。
距离计算:计算待分类点与训练集中每一个点之间的距离。常用的距离度量包括欧氏距离、曼哈顿距离等。
寻找最近的K个邻居:根据计算得到的距离,按由近及远排序,选择与待分类点距离最近的K个训练数据点作为其邻居。
类别决策:统计这K个邻居中各个类别的出现频率,将待分类点归为出现频率最高的类别。这种决策规则被称为“多数表决”或“硬投票”。
特点
简单易懂:KNN算法概念清晰,实现过程直观,便于理解与解释。
无需假设数据分布:KNN是非参数方法,不依赖于数据的具体分布形式,适用于各种类型的数据集。
适应性强:能够处理多种类型的数据(如数值型、名义型、序数型等),且对于缺失值和异常值有一定的鲁棒性。
计算复杂度高:随着训练集规模增大,每次预测时都需要计算待分类点与所有训练点的距离,导致时间复杂度较高。
存储需求大:KNN算法需要保存整个训练集,对于大规模数据集,存储成本可能过高。
对异常值敏感:异常值可能对预测结果产生较大影响。
对类别不平衡问题处理欠佳:当数据集中各类别样本数量严重不均衡时,KNN可能偏向于将新样本分类为样本数量较多的类别。
应用场景
KNN算法凭借其通用性和灵活性,在众多商业和科研领域有着广泛的应用,包括金融市场分析、图像识别、文本分类等。
k nearest neighbours k最近邻分类算法python实现样例
下面是一个简单的Python实现k最近邻分类算法的示例:
import numpy as np
from collections import Counter
# 计算欧氏距离
def euclidean_distance(x1, x2):
return np.sqrt(np.sum((x1 - x2) ** 2))
class KNN:
def __init__(self, k=3):
self.k = k
def fit(self, X, y):
self.X_train = X
self.y_train = y
def predict(self, X):
y_pred = [self._predict(x) for x in X]
return np.array(y_pred)
def _predict(self, x):
# 计算所有训练样本与输入样本的距离
distances = [euclidean_distance(x, x_train) for x_train in self.X_train]
# 按距离排序,并获取最近的k个样本的索引
k_indices = np.argsort(distances)[:self.k]
# 获取这k个样本的标签
k_nearest_labels = [self.y_train[i] for i in k_indices]
# 返回众数作为预测结果
most_common = Counter(k_nearest_labels).most_common(1)
return most_common[0][0]
使用示例:
# 定义训练数据
X_train = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
y_train = np.array(['red', 'red', 'blue', 'blue', 'red', 'blue'])
# 创建KNN模型,设置k=3
knn = KNN(k=3)
# 训练模型
knn.fit(X_train, y_train)
# 定义测试数据
X_test = np.array([[2, 2], [6, 9], [1, 1], [10, 10]])
# 预测测试数据的标签
y_pred = knn.predict(X_test)
# 打印预测结果
print(y_pred) # 输出 ['red' 'blue' 'red' 'blue']
这个示例中使用的是欧氏距离进行距离度量,可以根据需要修改为其他距离度量方式。同时,可以根据实际情况调整k值来获取更好的分类结果。