内容简介：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
| 编辑推荐: |
| 本文来自于biaodianfu，文章介绍了在小程序端，使用腾讯云云智AI应用服务来进行人脸识别检测分析，实现人脸识别等功能。 |
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)
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。
Google 广告高阶优化（第3版）
【美】Brad Geddes(布兰德.盖兹) / 宫鑫、康宁、王娜 / 电子工业出版社 / 2015-9 / 99.00元
《Google 广告高阶优化（第3版）》可以说是Google AdWords的终极指南，内容非常丰富，第三版在内容上进行了全面更新。介绍了AdWords的最新最完整的功能，阐释其工作原理，也提供了相应的优化方法、策略和实践教程，读者可以随时在自己的PPC广告系列中进行实践。第三版增添了50多页新内容，涵盖Google系统最近的所有变动，包括广告系列结构的变化、出价调整器、重定向、视频广告功能、全新......一起来看看 《Google 广告高阶优化（第3版）》 这本书的介绍吧!
