内容简介:K近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是:存在一个样本数据集合,也称作为训练样本集,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一个数据与所属分类的对应关系。输入没有标签的新数据后,将新的数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。k近
什么是K-近邻算法?
K近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是:存在一个样本数据集合,也称作为训练样本集,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一个数据与所属分类的对应关系。输入没有标签的新数据后,将新的数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。
k近邻算法例子。测试样本(绿色圆形)应归入要么是第一类的蓝色方形或是第二类的红色三角形。如果k=3(实线圆圈)它被分配给第二类,因为有2个三角形和只有1个正方形在内侧圆圈之内。如果k=5(虚线圆圈)它被分配到第一类(3个正方形与2个三角形在外侧圆圈之内)。
如上所述,这里K值的大小可以任意设定(当K=1时,称算法为最近邻算法),但是k值的选择会对KNN的结果产生重大影响,因此K值的选择具有极其重要的意义。
- 当选择的K值较小时,用于预测的训练数据集则较小,此时近似误差会减小,但是其估计误差会增大,预测结果对近邻的实例点非常敏感。若此时近邻的实例点是噪声,预测就会出错。
- 当选择的K值较大时,用于预测的训练数据集则较大,此时估计误差会减小,但是其近似误差又会增大,此时与输入实例较远(不相似)的实例也会对预测起作用,使预测发生错误。
在实际的应用中,通常会选择较小的K值。由于K值小时意味着整体的模型变得复杂,容易形成过拟合,因此通常采用交叉验证的方式选择最优的K值。
KNN算法的优缺点
- 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(在高维情况下,会遇到『 维数灾难 』的问题)
KNN算法三要素
KNN算法我们主要考虑三个重要的要素,对于固定的训练集,只要这三点确定了,算法的预测方式也就决定了。这三个最终的要素距离度量、 k值的选择和分类决策规则决定。
距离度量
特征空间中两个实例点的距离是两个实例点相似程度的反映。k近邻模型的特征空间一般是n维实数向量空间 ,使用的距离是一般是欧式距离,也可以是其他距离。由不同的距离度量所确定的最近邻点是不同的。
K值的选择
k值的大小决定了邻域的大小。较小的k值使得预测结果对近邻的点非常敏感,如果近邻的点恰好是噪声,则预测便会出错。话句话说,k值的减小意味着整体模型变得复杂,容易发生过拟合。较大的k值会让输入实例中较远的(不相似的)训练实例对预测起作用,使预测发生错误,k值的增大意味着整体模型变得简单。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。一个极端是k等于样本数m,则完全没有分类,此时无论输入实例是什么,都只是简单的预测它属于在训练实例中最多的类,模型过于简单。
分类决策规则决定
k近邻法中的分类规则往往是多数表决,即由输入实例的k个近邻的训练实例中的多数类决定输入的实例。但这个规则存在一个潜在的问题:有可能多个类别的投票数同为最高。这个时候,可以通过以下几个途径解决该问题:
- 从投票数相同的最高类别中随机地选择一个;
- 通过距离来进一步给票数加权;
- 减少K的个数,直到找到一个唯一的最高票数标签。
近邻算法中的分类决策多采用多数表决的方法进行。它等价于寻求经验风险最小化。
K-近邻算法的实现
线性扫描
KNN的最简单朴素的方法即直接线性扫描,大致步骤如下:
- 计算待预测数据与各训练样本之间的距离
- 按照距离递增排序
- 选择距离最小的k个点
- 计算这k个点类别的频率,最高的即为待预测数据的类别。
import math from collections import defaultdict class KNN(object): def __init__(self, k=2): self.data = None self.k = k @staticmethod def distance(p1, p2): x1, y1 = p1 x2, y2 = p2 x_ = x2 - x1 y_ = y2 - y1 return math.sqrt(x_ ** 2 + y_ ** 2) def fit(self, X, y): self.data = dict(zip(X, y)) def predict(self, point): distances = {} for p, _ in self.data.items(): distances[p] = self.distance(p, point) sort_distances = dict(sorted(distances.items(), key=lambda x: x[1])) topk = defaultdict(int) for idx, (p, v) in enumerate(sort_distances.items()): if idx == self.k - 1: break topk[self.data[p]] += 1 topk = sorted(topk.items(), key=lambda x: -x[1]) return topk[0][0] if __name__ == '__main__': points = [(1, 1), (1, 1.2), (0, 0), (0, 0.2), (3, 0.5), (3.3, 0.9)] labels = ['A', 'A', 'B', 'B', 'C', 'C'] knn = KNN() knn.fit(points, labels) label = knn.predict((0.9, 0.7)) print(label)
KD树
线性扫描非常耗时,为了提高k近邻搜索的效率,可以考虑使用特殊的结构存储训练数据,以减少计算距离的次数。kd树是一种对k维空间的实例点进行存储以便对其进行快速检索的树形数据结构。kd树是二叉树,表示对k维空间的一个划分(partition),构造kd树相当于不断用垂直于坐标轴的超平面将k维空间切分,构成一系列的k维超矩形区域。kd树中的每个节点对应一个k维超矩形区域。
KD树(k-dimensional tree),也可称之为K维树,可以用更高的效率来对空间进行划分,并且其结构非常适合寻找最近邻居和碰撞检测。对于2维空间,KD树可称为2D树,因为空间只有两个坐标轴;对于3维空间,KD树可称为3D树,空间中有三个坐标轴;以此类推。
对于不同维度的空间,KD树的构建思路完全一致。下面以二维空间为例。KD树的本质是一个二叉树,即一个根节点,划分为左子树和右子树。所以KD树的构建无非是两个问题:根节点的选择,左右子树的划分规则。
以下是KD树的构建过程。
- 选定一个轴,比如X轴,选择这个轴上的中位数的所在点为根节点
- 所有X比中位数X小的,都划分为左子树;反之,则划分为右子树
- 对于左右两个子树,重复第一步,但是需要把划分轴换成另外一个轴(Y)继续
- 重复以上过程,直到所有点都加入KD树中
以上图举例,第一步对X轴进行划分,点(7,2)的X坐标7为所有X坐标的中位数,其被确立为根节点;X坐标比7小的点(5,4)、(2,3)、(4,7)被划分到左子树;X坐标比7大的点(9,6)、(8,1)被划分到右子树。对于左子树(5,4)、(2,3)、(4,7),对它们的Y轴进行划分,点(5,4)的Y坐标4为所有左子树的Y坐标的中位数,其被确立为左子树的根节点;Y坐标比4小的点(2,3)被划分为左子树;Y坐标比4大的点(4,7)被划分为右子树。对于右子树(9,6)、(8,1),和左子树同理,也是对Y轴进行划分。此时所有点都已经加入到KD树中,创建结束。
一个直观的理解是,创建方式看起来有点像对空间横纵切蛋糕的方式,对于2D空间,第一刀沿着X轴将空间划分为两半,第二刀又沿着Y轴分别将已经划分好的两半再划分为两半,第三刀又继续沿着X轴进行划分……直到所有点都落入KD树中。对于3D空间,则是沿着X->Y->Z->X此类的循环依次对空间进行对半分割。(决定在哪个维度上进行分割是由所有数据在各个维度的方差决定的,方差越大说明该维度上的数据波动越大,更应该再该维度上对点进行划分。例如x维度方差较大,所以以x维度方向划分。)
构建完一颗KD-TREE之后,如何使用它来做KNN检索呢?用下面的20s的GIF动画来表示:
以下是寻找最近邻居算法的描述:
- 建立一个空的栈S
- 对于给定的查询点P,沿着根节点遍历整个KD树,直到不能再遍历为止,将每个遍历的点都入栈(Push)
- 遍历的过程非常简单,对于KD树中的点和这个点的划分坐标,如果查询点比这个点的划分坐标大,则继续遍历这个点的右子树,否则遍历这个点的左子树
- 若栈非空,开始循环,设最邻近距离为无穷大
- 将栈顶的点P弹出(Pop),计算查询点与之的距离Dist,如果Dist小于最邻近距离,则更新最近邻距离为Dist,同时更新最邻近点为P
- 判断点P的划分轴,若查询点到划分轴的距离小于最近邻距离,则说明在划分轴的另外一侧还可能存在更邻近的点,需要在划分轴的另一侧的根节点再执行一次遍历,将每个遍历的点都入栈(Push)
- 若栈为空,则终止循环,返回结果
以上算法用到了栈来模拟递归,避免了递归的函数深层调用和返回的开销。
KD树之所以如此高效的原因在于第六步,也就是剪枝。如上图所示,在已经搜索到B时,发现其到B的距离,要比到A的右子树的平面距离还更短,所以整个A的右子树都被剪枝,一下子剪去了一半的点。
# -*- coding: utf-8 -*- import math from collections import defaultdict class KNN(object): def __init__(self, topk=3): self.data = None self.store = {} self.topk = topk def build_kdtree(self, points, depth=0): n = len(points) if n <= 0: # 如果当前子空间已经没有点了则构建过程结束 return None axis = depth % 2 # 计算当前选择的坐标轴 sorted_points = sorted(points, key=lambda point: point[axis]) # 对当前子空间的点根据当前选择轴的值进行排序 median = n // 2 # 中位数取 排序 后坐标点的中间位置的数 return { 'point': sorted_points[median], # 当前根结点 'left': self.build_kdtree(sorted_points[:median], depth + 1), # 将超平面左边的点交由左子结点递归操作 'right': self.build_kdtree(sorted_points[median + 1:], depth + 1) # 同理,将超平面右边的点交由右子结点递归操作 } @staticmethod def distance(p1, p2): if p1 is None or p2 is None: return 0 x1, y1 = p1 x2, y2 = p2 x_ = x2 - x1 y_ = y2 - y1 return math.sqrt(x_ ** 2 + y_ ** 2) def closer_distance(self, point, p1, p2): d1 = self.distance(point, p1) d2 = self.distance(point, p2) if p1 is None: return (p2, d2) if p2 is None: return (p1, d1) return (p1, d1) if d1 < d2 else (p2, d2) def kdtree_closest_point(self, root, point, depth=0): if root is None: return None axis = depth % 2 next_branch = None opposite_branch = None # 以下主要是比较当前点到根结点和两个子结点之间的距离 if point[axis] < root['point'][axis]: next_branch = root['left'] opposite_branch = root['right'] else: next_branch = root['right'] opposite_branch = root['left'] best, closer_dist = self.closer_distance( point, self.kdtree_closest_point( next_branch, point, depth + 1), root['point'] ) if self.distance(point, best) > abs(point[axis] - root['point'][axis]): best, closer_dist = self.closer_distance( point, self.kdtree_closest_point( opposite_branch, point, depth + 1), best ) # 储存距离,留作投票用 if best in self.store and self.store[best] > closer_dist: self.store[best] = closer_dist else: self.store[best] = closer_dist return best def fit(self, X, y): self.data = dict(zip(X, y)) self.kdtree = self.build_kdtree(X) def predict(self, point): # best 是最邻近的点 best = self.kdtree_closest_point(self.kdtree, point) sorted_stores = sorted(self.store.items(), key=lambda x: x[1])[:self.topk] counter = defaultdict(int) for candidates, score in sorted_stores: counter[self.data[candidates]] += 1 # 按照投票数降序排列 sorted_counter = sorted(counter.items(), key=lambda x: -x[1]) counter = list(counter.items()) if len(counter) > 1: if counter[0][1] != counter[1][1]: best = counter[0][1] return self.data[best] if __name__ == '__main__': points = [(1, 1), (1, 1.2), (0, 0), (0, 0.2), (3, 0.5), (3.3, 0.9)] labels = ['A', 'A', 'B', 'B', 'C', 'C'] knn = KNN(topk=3) knn.fit(points, labels) label = knn.predict((0.9, 0.9)) print(label)
参考链接:
以上所述就是小编给大家介绍的《K-近邻算法KNN学习笔记》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- [图]微软开源基于近邻图的最近邻搜索算法SPTAG
- 推荐算法集锦(补充)——近邻选择与算法拓展
- 机器学习 - K-近邻算法
- 【白话机器学习】算法理论+实战之K近邻算法
- 机器学习1——k近邻算法
- 图说十大数据挖掘算法(一)K最近邻算法
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。