维基介绍
在 模式识别 领域中, 最近邻居法 ( KNN 算法,又译 K-近邻算法 )是一种用于 分类 和 回归 的 非参数统计 方法 [1] 。在这两种情况下,输入包含 特征空间(Feature Space) 中的 k 个最接近的训练样本。
-
在 k-NN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 k-NN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。
最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。
K-NN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。
无论是分类还是回归,衡量邻居的权重都非常有用,使较近邻居的权重比较远邻居的权重大。例如,一种常见的加权方案是给每个邻居权重赋值为1/ d,其中d是到邻居的距离。 [注 1]
邻居都取自一组已经正确分类(在回归的情况下,指属性值正确)的对象。虽然没要求明确的训练步骤,但这也可以当作是此算法的一个训练样本集。
k-近邻算法的缺点是对数据的局部结构非常敏感。本算法与 K-平均算法 (另一流行的机器学习技术)没有任何关系,请勿与之混淆。
ARKit + Swift + k-NN 实现
创建 KNN 类(结构体 struct
也行,我是为了 与 sklearn
尽量一致)。
/// KNN public struct KNN<Feature, Label: Hashable> { }
属性
/// Number of neighbors to use by default for :meth:`kneighbors` queries private var k: Int /// Data set private var X = [Feature]() /// Target values private var y = [Label]() /// distance private let distanceMetric: (_ x1: Feature, _ x2: Feature) -> Double /// draw radius for debug public var debugRadiusCallback: (([Double]) -> ())? = nil
数据:
k X y
辅助:
distanceMetric debugRadiusCallback
方法
/// constructorLabels for xTest /// /// - Parameters: /// - k: k /// - distanceMetric: distance public init (k: Int, distanceMetric: @escaping (_ x1: Feature, _ x2: Feature) -> Double) /// train /// /// - Parameters: /// - X: Training set /// - y: Target values public mutating func fit(X: [Feature], y: [Label]) /// Labels for xTest /// /// - Parameter XTest: Test set /// - Returns: Target values public func predict(XTest: [Feature]) -> [Label]
-
init()
: 构造函数 需要预先决定k
和距离计算方法 -
fit()
: 拟合目标函数,kNN 不需要拟合,只要记下数据即可 -
predict()
: 预测给定的特征,返回对应的标签
距离计算
public struct Distance { /// Helper function to calculate euclidian distance /// /// - Parameters: /// - x0: source coordinate /// - x1: target coordinate /// - Returns: euclidian distance public static func euclideanDistance(_ x0: [Double], _ x1: [Double]) -> Double // Convenience public static func euclideanDistance() -> (([Double], [Double]) -> Double) { return { self.euclideanDistance($0, $1) } }
这里使用 欧式距离(Euclidean Distance)
KNN 使用:
func testKNN() { let kNN = KNN<Double, Int>(k: 3) let X = [[1.0], [2], [3], [4]] let y = [0, 0, 1, 1] kNN.fit(X, y) let label = kNN.predict([[1.2], [3]]) XCTAssertEqual([0, 1], label) }
显示 2 维
enum MLStep: Int { case train case predict } enum GeometryType: Int { case box case pyramid case sphere case cylinder case cone case tube case torus ... }
-
MLStep
: 分成 训练 和 预测 ,训练一次,可以一直预测。 -
GeometryType
: 定义几种形状,这里定义给ARKIT
使用的
KNNViewController
class KNNViewController: UIViewController { let radius: CGFloat = 5 public var X: [[Double]] = [] public var y: [GeometryType] = [] public var XTest: [[Double]] = [] public var yTest: [GeometryType] = [] public var radiuses: [Double] = [] { didSet { for (center, r) in zip(XTest, radiuses) { drawCircle(center: CGPoint(x: center[0], y: center[1]), radius: CGFloat(r)) } } } public var predictLayers: [CALayer] = [] var model = KNN<[Double], GeometryType>(k: 1, distanceMetric: Distance.euclideanDistance()) @IBOutlet weak var kNNPickerView: UIPickerView! @IBOutlet weak var panelView: UIView! @IBOutlet weak var trainBarButtonItem: UIBarButtonItem! var mlStep = MLStep.train { didSet { switch mlStep { case .train: trainBarButtonItem.title = "train" default: trainBarButtonItem.title = "predict" } } } ... }
添加 Layer
到 panelView
上实现类别,2D 只分了三个类别,分别用 方形(红),三角形(蓝),花形(绿)表示。
使用 alpha
表示预测类别,以预测样本为中心画一个圈,圈内为最近的 k
个样本。
func drawCircle(center: CGPoint, radius: CGFloat, alpha: CGFloat = 0.1) { let r = self.radius + radius let kNNCircleLayer = CAShapeLayer() kNNCircleLayer.path = UIBezierPath(roundedRect: CGRect(x: center.x - r, y: center.y - r, width: r * 2, height: r * 2), cornerRadius: r).cgPath kNNCircleLayer.fillColor = UIColor(red: 0.1, green: 0.1, blue: 0.1, alpha: alpha).cgColor kNNCircleLayer.borderColor = UIColor(red: 0.8, green: 0.8, blue: 0.8, alpha: 1).cgColor kNNCircleLayer.borderWidth = 1 panelView.layer.addSublayer(kNNCircleLayer) }
圆内为 k
个样本。
ARKit 实现
能 3D 展示多好,别急,下面就是用 ARKit
实现的 3D 版本。
class ARKNNViewController: UIViewController
基本实现和 ARKNNViewController
类似。
func drawSphere(center: SCNVector3, radius: Float) { let geometry = SCNSphere(radius: CGFloat(radius) + self.radius) geometry.firstMaterial?.diffuse.contents = UIColor(red: 0.1, green: 0.1, blue: 0.8, alpha: 0.7) let node = SCNNode() node.geometry = geometry node.position = center sceneView.scene.rootNode.addChildNode(node) }
这是画最外面的范围球体,球体内为 k
个样本。
视频
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 机器学习算法:Adaboost 算法详解
- 从 0 开始机器学习 - 机器学习算法诊断
- 详解十大经典机器学习算法——EM算法
- 机器学习基础概念和统计机器学习基本算法
- 【白话机器学习】算法理论+实战之K近邻算法
- 构建机器学习算法
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。
活着就为改变世界
[美] 杰弗里·扬、威廉·西蒙 / 蒋永军 / 中信出版社 / 2010-6 / 39.00元
内容简介 苹果公司CEO史蒂夫•乔布斯这个一直活在自己想象的世界里的创业奇才,经历过各种挫折与失落,但他那无所畏惧、敢于承担的个性让他一直努力实践着自己的价值观,总能为他的离奇想法找到解决问题的办法。 本书两位作者通过深入访谈和资料调查,揭秘了许多乔布斯个人的创业经历和家庭变故,为大家塑造了一个活生生的“乔布斯式”的鲜活人物,描述了一个个充满传奇色彩的商业奇迹,真实地再现了乔布斯几十年......一起来看看 《活着就为改变世界》 这本书的介绍吧!