机器学习分享 KNN 算法 及 numpy 实现

KNN 是一种非参数的懒惰的监督学习算法.

非参数的意思是，模型不会对基础数据分布做出任何假设。换句话说，模型的结构是根据数据确定的。懒惰的意思是没有或者只有很少的训练过程.

KNN 算法既可以处理分类问题,测试数据的类型由所有 K 个最近邻点投票决定,也可以处理回归问题,测试数据的值是所有 K 个最近邻点的值的均值或众数.

KNN 的算法非常简单.

例如,对于分类问题,算法流程如下,

对需要预测的每个数据依次执行以下操作：

1. 计算已知训练数据集中的点与当前点之间的距离；
2. 按照距离递增次序排序；
3. 选取与当前点距离最小的 k 个点；
4. 确定前 k 个点所在类别的出现频率；
5. 返回前 k 个点出现频率最高的类别作为当前点的预测分类。

需要注意的是,要对数据进行特征缩放.下面两张图很好的阐释了缩放的重要性.

那么 KNN 在实际使用中有哪些优点和缺点呢?

它的优点有:

• 可以处理线性和非线性数据
• 直观上易于理解
• 具有较高的准确率
• 既可以用作回归问题,也可以用作分类问题

它的缺点是

• 计算代价大
• 内存要求高
• 数据量大时预测较慢
• 对无关的特征以及特征缩放敏感

在实际的使用过程中,可能会遇到如下的问题.

1. k 近邻的类别出现了平局的情况. 例如在二分类中,正负类型的近邻数相同,使用奇数个近邻可以解决此问题,但是无法解决多分类的问题.这个时候可以
   • 随机决定属于哪个类别
   • 对某些类别设置优先级
   • 使用最近邻来做最终的决定

2.训练数据的缺失值如何处理.如果不处理缺失值,则无法计算距离.对于缺失值的处理的核心原则是,尽可能小的影响距离的计算.一个合理的解决办法是,使用训练数据的平均值来填充缺失值.

附上完整代码，登录之后就能查看了。 查看源码

参考资料

1. https://medium.com/@adi.bronshtein/a-quick-introduction-to-k-nearest-neighbors-algorithm-62214cea29c7
2. https://www.youtube.com/watch?v=DRIoyIR8pA4
3. https://www.datacamp.com/community/tutorials/k-nearest-neighbor-classification-scikit-learn
4. https://stats.stackexchange.com/questions/287425/why-do-you-need-to-scale-data-in-knn