简单理解k近邻(kNN)算法:理论讲解+实战操作以及KNeighborsClassifier参数深度剖析 - 从入门到精通(第1部分:k-NN基本概念)
k近邻法是基本且简单的分类与回归方法,这里只讨论分类方法,利用数据集对特征向量空间进行划分,可以进行多分类。如下图:
三角形与矩形分别代表两类数据,标签已知。现要对新输入的为分类点(绿色)进行分类,k-NN的做法是寻找与该绿点相邻最近的k个点(k-NN算法的k的含义,图中的距离为欧式距离),然后通过多数表决的方式把绿点划分到这k个最近点出现频数最高的类。例如如果k取3,则绿点最近的3个点中频数最高为三角形类,所以归为三角形类;若k取5,则距离绿点最近的5个点中频数最高为矩形类,所以归绿点为矩形类。
1.1 模型
输入:训练数据集
T
=
{
(
x
1
,
y
1
)
,
(
x
2
,
y
2
)
,
.
.
.
,
(
x
N
,
y
N
)
}
T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}
T={(x1,y1),(x2,y2),...,(xN,yN)}, 实例特征向量
x
x
x
总共N个样本,
x
i
∈
X
⊆
R
n
x_i\in\mathcal{X}\sube R^n
xi∈X⊆Rn为实例的特征向量,
y
i
∈
Y
=
{
c
1
,
c
2
,
.
.
.
,
c
K
}
为
实
例
的
类
别
,
i
=
1
,
2
,
.
.
.
,
N
y_i \in \mathcal{Y}=\{c_1,c_2,...,c_K\}为实例的类别, i=1,2,...,N
yi∈Y={c1,c2,...,cK}为实例的类别,i=1,2,...,N
输出:实例
x
x
x所属的类
y
y
y
step1:根据给定的距离度量,在训练集T中找出与
x
x
x最近的k个点,涵盖这k个点的x的邻域记为
N
k
(
x
)
;
N_k(x);
Nk(x);
step2:在
N
k
(
x
)
N_k(x)
Nk(x)中根据决策规则(如多数表决)决定
x
x
x的类别
y
y
y
y
=
arg max
c
j
∑
x
i
⊆
N
k
(
x
)
I
(
y
i
=
c
j
)
,
i
=
1
,
2
,
.
.
.
,
N
,
j
=
1
,
2
,
.
.
.
,
K
;
\large y={\underset {c_j}{\operatorname {arg\,max} }}\sum\limits_{x_i \sube N_k(x)} I(y_i=c_j), i=1,2,...,N, j = 1,2,...,K;
y=cjargmaxxi⊆Nk(x)∑I(yi=cj),i=1,2,...,N,j=1,2,...,K;
其中I为指示函数
1.2 学习策略
max c j ∑ x i ⊆ N k ( x ) I ( y i = c j ) , i = 1 , 2 , . . . , N , j = 1 , 2 , . . . , K ; {\underset {c_j}{\operatorname {max} }}\sum\limits_{x_i \sube N_k(x)} I(y_i=c_j), i=1,2,...,N, j = 1,2,...,K; cjmaxxi⊆Nk(x)∑I(yi=cj),i=1,2,...,N,j=1,2,...,K;
1.3 学习算法
学习算法即如何求出以上的学习策略的最大值,用的是多数表决法,即将
c
1
到
c
K
c_1到c_K
c1到cK得到的指示函数和的值排序,选择最大值对应的类别
c
∗
c^*
c∗作为输出。假设
c
∗
c^*
c∗为最大值对应的类别,那么得到的最终模型为:
y
=
c
∗
\large y=c^*
y=c∗
1.4 距离度量
从以上公式可以看出,关键是确定输入实例
x
x
x的邻域
N
k
(
x
)
N_k(x)
Nk(x),而这个邻域又由两个方面决定,一个就是如何计算各点与输入实例
x
x
x的距离(怎么判断离某些点近不近)?
L
p
(
x
i
,
x
j
)
=
(
∑
i
=
1
n
∣
x
i
(
i
)
−
x
j
(
l
)
∣
p
)
1
p
L_{p}\left(x_{i}, x_{j}\right)=\left(\sum_{i=1}^{n}\left|x_{i}^{(i)}-x_{j}^{(l)}\right|^{p}\right)^{\frac{1}{p}}
Lp(xi,xj)=(i=1∑n∣∣∣xi(i)−xj(l)∣∣∣p)p1
- p = 1 p= 1 p=1 曼哈顿距离
- p = 2 p= 2 p=2 欧氏距离
-
p
=
∞
p= \infty
p=∞ 切比雪夫距离
一般使用欧式距离。
1.5 k值选择
知道了怎么判断点之间离的近不近,那么要确定邻域还得需要知道该邻域包含多少个“最近”点,这就是k值决定的,该邻域会包含k个离输入实例最近的点。k值越小,模型越复杂,过拟合的风险越大,当k=1时成为最近邻模型。而k值越大,模型越简单,最极端情况就是k=N,这时直接把样本中出现频数最高的类当成所有输入实例的类。
距离的度量以及k值作为超参数,可以通过验证集来选择合适的超参数。