漳州网站开发点博大a优,曲靖seo,wordpress 添加视频,东莞培训机构前言
KNN一般用于有监督的分类场景#xff0c;除此之外#xff0c;KNN在异常检测场景中也有应用#xff0c;下面主要介绍下KNN在这两面的应用原理。
KNN做分类的原理
计算步骤如下#xff1a; 1#xff09;算距离#xff1a;给定测试对象#xff0c;计算它与训练集中…前言
KNN一般用于有监督的分类场景除此之外KNN在异常检测场景中也有应用下面主要介绍下KNN在这两面的应用原理。
KNN做分类的原理
计算步骤如下 1算距离给定测试对象计算它与训练集中的每个对象的距离 2找邻居圈定距离最近的k个训练对象作为测试对象的近邻 3做分类根据这k个近邻归属的主要类别来对测试对象分类 看未知类别样本最近的K个样本的类别那种类别多样本就属于那种类别
优缺点
KNN优点
理论成熟思想简单既可以用来做分类也可以用来做回归可用于非线性分类训练时间复杂度比支持向量机之类的算法低仅为O(n)和朴素贝叶斯之类的算法比对数据没有假设准确度高对异常点不敏感由于KNN方法主要靠周围有限的邻近的样本而不是靠判别类域的方法来确定所属类别的因此对于类域的交叉或重叠较多的待分样本集来说KNN方法较其他方法更为适合该算法比较适用于样本容量比较大的类域的自动分类而那些样本容量较小的类域采用这种算法比较容易产生误分
KNN 缺点
计算量大尤其是特征数非常多的时候样本不平衡的时候对稀有类别的预测准确率低KD树球树之类的模型建立需要大量的内存使用懒散学习方法基本上不学习导致预测时速度比起逻辑回归之类的算法慢相比决策树模型KNN模型可解释性不强鸡蛋里挑骨头了
适用场景
它的适用面很广并且在样本量足够大的情况下准确度很高。不适用于特征维度比较多的场景几十维即可。
参数详解
class sklearn.neighbors.KNeighborsClassifier(n_neighbors5, *, weightsuniform, algorithmauto, leaf_size30, p2, metricminkowski, metric_paramsNone, n_jobsNone, **kwargs)常用参数algorithm、n_neighbors、weights、p 等超参数 第一个超参数algorithm一般设为auto即可 algorithm 即建立 kNN 模型时采用什么算法去搜索最近的 k 个点有四个选项
brute暴力搜索kd_treeKD树ball_tree球树auto默认值自动选择上面三种速度最快的
之前建立模型时没有设置这个参数模型默认使用了 auto 方法不过还是有必要了解一下这几种方法的区别。 首先我们知道 KNN 模型的核心思想是计算大量样本点之间的距离。 第一种算法 brute 暴力搜索。意思就是计算预测样本和全部训练集样本的距离最后筛选出前 K 个最近的样本这种方法很蛮力所以叫暴力搜索。当样本和特征数量很大的时候每计算一个样本距离就要遍历一遍训练集样本很费时间效率低下。有什么方法能够做到无需遍历全部训练集就可以快速找到需要的 k 个近邻点呢这就要用到 KD 树和球树算法。
第二种算法 KD 树K-dimension tree缩写。简单来说 KD 树是一种「二叉树」结构就是把整个空间划分为特定的几个子空间然后在合适的子空间中去搜索待预测的样本点。采用这种方法不用遍历全部样本就可以快速找到最近的 K 个点速度比暴力搜索快很多稍后会用实例对比一下。至于什么是二叉树这就涉及到数据结构的知识稍微有些复杂就目前来说暂时不用深入了解sklearn 中可以直接调用 KD 树很方便。 假设数据集样本数为 m特征数为 n则当样本数量 m 大于 2 的 n 次方时用 KD 树算法搜索效果会比较好。比如适合 1000 个样本且特征数不超过 10 个2 的 10 次方为 1024的数据集。一旦特征过多KD 树的搜索效率就会大幅下降最终变得和暴力搜索差不多。通常来说 KD 树适用维数不超过 20 维的数据集超过这个维数可以用球树这种算法。
第三种算法是球树Ball tree。对于一些分布不均匀的数据集KD 树算法搜索效率并不好为了优化就产生了球树这种算法。同样的暂时先不用具体深入了解这种算法。 当数据集样本数量 m 2 的 n 次方时kd_tree 和 ball_tree 速度比 brute 暴力搜索快了一个量级auto 采用其中最快的算法。 我们介绍了第一个超参数 algorithm就 kNN 算法来说通常只需要设置 auto 即可让模型自动为我们选择合适的算法。
第二个超参数n_neighbors n_neighbors 即要选择最近几个点默认值是 5等效 k )。
k值过大和过小造成的影响 k值较小就相当于用较小的领域中的训练实例进行预测训练误差近似误差小偏差小泛化误差会增大方差大换句话说K值较小就意味着整体模型变得复杂容易发生过拟合
k值较大就相当于用较大领域中的训练实例进行预测泛化误差小方差小但缺点是近似误差大偏差大换句话说K值较大就意味着整体模型变得简单容易发生欠拟合一个极端是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。
对于k值的选择没有一个固定的经验sklearn默认为5一般根据样本的分布选择一个较小的值可以通过交叉验证选择一个合适的k值。
第三个超参数距离权重 weights 刚才在划分黄色点分类时最近的 3 个点中红绿色点比例是 2:1所以我们就把黄色点划分为红色点了。 这样做忽略了点与点之间的距离问题虽然红点数量多于绿点但显然绿点距离黄点更近把黄点划分为绿色类可能更合适。因此之前的模型效果可能并不好。 所以在建立模型时还可以从距离出发将样本权重与距离挂钩近的点权重大远的点权重小。怎么考虑权重呢可以用取倒数这个简单方法实现。 以上图为例绿点距离是 1取倒数权重还为 1两个红点的距离分别是 3 和 4去倒数相加后红点权重和为 7/12。绿点的权重大于红点所以黄点属于绿色类。 在 Sklearn 的 kNN 模型中有专门考虑权重的超参数weights它有两个选项 Uniform不考虑距离权重默认值 Distance考虑距离权重
第四个超参数p 说到距离还有一个重要的超参数 p。 如果还记得的话之前的模型在计算距离时采用的是欧拉距离 除了欧拉距离还有一种常用的距离曼哈顿距离 这两种距离很好理解举个例子从家到公司欧拉距离就是二者的直线距离但显然不可能以直线到公司而只能按着街道线路过去这就是曼哈顿距离俗称出租车距离。 这两种格式很像其实他们有一个更通用的公式 这就是明可夫斯基距离Minkowski Distance曼哈顿距离和欧拉距离分别是 p 为 1 和 2 的特殊值。 使用不同的距离计算公式点的分类很可能不一样导致模型效果也不一样。
在 Sklearn 中对应这个距离的超参数是 p默认值是 2也就是欧拉距离。
KNN用作异常点检测的原理 比较简单的做法是计算预测数据点与最近的K个样本点的距离和然后根据阈值进行异常样本的判别(如若假设异常样本量占总样本量的1%那么对数据集中每个数据点得到的距离和进行排序挑选出Top1%即为异常值)。 K近邻距离有多种设置 1.距离第k近的点的距离 2.距离最近的k个点的平均距离 3.距离最近的k个点中的中间距离
PS 这类方法有一种明显的缺点如果异常样本数据较多并且单独成簇的话最后得到的结果则不太乐观。
KNN用于回归的原理
1、计算已知点和未知点待预测的样本的距离; 2、将训练集样本数据按照距离升序排序; 3、取其中最近的topK个值; 4、取平均; 5、得到样本的预测值.
其他
