晨曦的博客

技术博客

0%

《机学五》KNN算法及实例

发表于 更新于 分类于 ，

详情请点阅读全文

一、概述

【定义】如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

二、距离计算公式

两个样本的距离可以通过如下公式计算，又叫【欧式距离】

设有特征，a(a1,a2,a3),b(b1,b2,b3)，那么：
$$\sqrt{(a1-b1)^{2}+(a2-b2)^{2}+(a3-b3)^{2}}$$

三、sklearn k-近邻算法API

1
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
  • n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
  • algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：
    ‘ball_tree’将会使用 BallTree
    ‘kd_tree’将使用 KDTree
    ‘auto’将尝试根据传递给fit方法的值来决定最合适的算法 (不同实现方式影响效率)

四、实战

数据位置：https://www.kaggle.com/c/facebook-v-predicting-check-ins/data

五、数据的处理

1、缩小数据集范围

1
DataFrame.query()

2、处理日期数据

1
2
pd.to_datetime
pd.DatetimeIndex

3、增加分割的日期数据

4、删除没用的日期数据

1
pd.drop

5、将签到位置少于3个用户的删除
groupby使用详细：https://cloud.tencent.com/developer/article/1193823

1
2
3
4
5
6
#按place_id列进行分组，并数出每个地方有多少次签到
place_count =data.groupby('place_id').aggregate(np.count_nonzero)
#入住次数>3个的拿出来，place_id放到最后做为一个特征，前面加一个新索引列0-n
tf = place_count[place_count.row_id > 3].reset_index()
#原表的place_id，存在上一步新建的表里的，单独拿出来做为新数据
data = data[data['place_id'].isin(tf.place_id)]

六、Knn算法实战

数据集示例(trian.csv)：
在这里插入图片描述

6.1.初步knn，暂时不用特征工程（标准化）

此处分为两步：

  1. 因为数据集太大选择一部分数据进行处理choisecsv()
  2. 进行knn算法knndemo()
  3. 可以看到此时准确率仅为2.7%
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    import pandas as pd
    from sklearn.model_selection import train_test_split  #数据集分割成：测试集、训练集模块
    from sklearn.neighbors import KNeighborsClassifier #knn近邻算法模块

    def choisecsv():
        """
        选取一部分数据保存为新表格
        :return:
        """
        # 【1】读取数据
        path = "D:\\a\\data\\facebook-v-predicting-check-ins\\train.csv"
        data = pd.read_csv(path)
        # print(data.head(10))

        # 【2】因为数据集太大，只选取一部分数据，保存一个新表格
        data = data.query("x > 1.0 &  x < 1.25 & y > 2.5 & y < 2.75")
        print(data.head(10))
        data.to_csv('train_s.csv',index=False) #第2参数，不要在新csv里最前列自动加索引

    def demoknn():
        """
        根据输入坐标，预测入住地点
        :return:
        """
        data=pd.read_csv("train_s.csv")

        #【1】时间戳(785470)：转化时间列的时间戳为时间类似:1970-1-1 12:00:00
        time_value=pd.to_datetime(data['time'],unit='s')
        #print(time_value)
        
        #（1.1）把日期转化为字典格式
        time_value=pd.DatetimeIndex(time_value)

        # （1.2）根据时间字典构造一些新特征：月，天，时，星期几
        data['mouth']=time_value.month
        data['day'] = time_value.day
        data['hour'] = time_value.hour
        data['weekday'] = time_value.weekday

        #（1.3）删除时间戳列。pd里0是行，1是列
        data=data.drop(['time'],axis=1)
        #print(data.head(10))


        #【2】删除入驻数量少于3次的地方
        place_count=data.groupby('place_id').count() #按place_id列进行分组，并数出每个地方有多少次签到
        tf = place_count[place_count.row_id > 3].reset_index() #入住次数>3个的拿出来，place_id放到最后做为一个特征，前面加一个新索引列0-n
        data = data[data['place_id'].isin(tf.place_id)]  #原表的place_id，存在上一步新建的表里的，单独拿出来做为新数据
        #print(data.sample(10))

        #【3】取得特征值x、目标值y
        y=data['place_id']
        x=data.drop('place_id',axis=1)

        #【4】分割数据集
        x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)

        #【5】特征工程（标准化）（暂时跳过）

        #【6】执行Knn算法
        knn=KNeighborsClassifier(n_neighbors=5)

        #【7】fit(处理),执行算法（到此模型已训练完成）
        knn.fit(x_train,y_train)

        #【8】预测结果predict（输入测试集进行预测）
        y_predict=knn.predict(x_test)
        print('预测的位置为：',y_predict)

        #【9】算出准确率scroe（对模型进行测试集的预测，的准确率计算）：
        print('准确率为：',knn.score(x_test,y_test))


    if __name__=="__main__":
        #choisecsv() #选取部分数据创建一个新表并保存
        demoknn() #knn实例

    '''结果（可以看到此次准确率很低）：
    预测的位置为： [1097200869 4423196276 4932578245 ... 3312463746 1479000473 1097200869]
    准确率为： 0.027659574468085105
    '''

    6.2提升预测准确率1：进行特征工程处理（标准化）

    接上例代码，在第5步加上（特征工程——标准化）处理后再预测，可以看到准确率一下由上例的2.7%，一下提升到41.3%
    1
    2
    3
    4
    5
    6
    7
    8
    9
        #【5】特征工程（标准化）对测试集、训练集的特征值进行，标准化
        std=StandardScaler()
        x_train=std.fit_transform(x_train)
        x_test=std.fit_transform(x_test)

    '''结果：
    预测的位置为： [3312463746 7803770431 2327054745 ... 1602053545 5270522918 1267801529]
    准确率为： 0.4134751773049645
    '''

    6.3 提升预测准确率2：删除无关特征

排查发现row_id这列和预测数据结果无关，会对结果造成影响，因此删除
此时发现准确率由：41%变47%
关键代码：

1
2
# (2.1)此处打印发现row_id这列特征值与预测没有相关性，会影响模型预测结果；因此把它删除：训练特征集、测试特征集都要删除
data=data.drop(['row_id'],axis=1)

源码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
import pandas as pd
from sklearn.model_selection import train_test_split  #数据集分割成：测试集、训练集模块
from sklearn.neighbors import KNeighborsClassifier #knn近邻算法模块
from sklearn.preprocessing import StandardScaler #特征工程 标准化 模块

def choisecsv():
    """
    选取一部分数据保存为新表格
    :return:
    """
    # 【1】读取数据
    path = "D:\\a\\data\\facebook-v-predicting-check-ins\\train.csv"
    data = pd.read_csv(path)
    # print(data.head(10))

    # 【2】因为数据集太大，只选取一部分数据，保存一个新表格
    data = data.query("x > 1.0 &  x < 1.25 & y > 2.5 & y < 2.75")
    print(data.head(10))
    data.to_csv('train_s.csv',index=False) #第2参数，不要在新csv里最前列自动加索引

def demoknn():
    """
    根据输入坐标，预测入住地点
    :return:
    """
    data=pd.read_csv("train_s.csv")

    #【1】时间戳处理：转化时间列的时间戳为时间
    time_value=pd.to_datetime(data['time'],unit='s')
    #print(time_value)
    #（1.1）把日期转化为字典格式
    time_value=pd.DatetimeIndex(time_value)

    # （1.2）根据时间字典构造一些新特征：月，天，时，星期几
    data['mouth']=time_value.month
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday

    #（1.3）删除时间戳列。pd里0是行，1是列
    data=data.drop(['time'],axis=1)
    #print(data.head(10))


    #【2】删除入驻数量少于3次的地方
    place_count=data.groupby('place_id').count() #数出一共有多少个地方
    tf = place_count[place_count.row_id > 3].reset_index() #入住次数>3个的拿出来，place_id放到最后做为一个特征，前面加一个新索引列0-n
    data = data[data['place_id'].isin(tf.place_id)]  #原表的place_id，存在上一步新建的表里的，单独拿出来做为新数据
    #print(data.sample(10))

    # (2.1)此处打印发现row_id这列特征值与预测没有相关性，会影响模型预测结果；因此把它删除：训练特征集、测试特征集都要删除
    data=data.drop(['row_id'],axis=1)


    #【3】取得特征值x、目标值y
    y=data['place_id']
    x=data.drop('place_id',axis=1)

    #【4】分割数据集
    x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)
    # print(x_train)

    #【5】特征工程（标准化）对测试集、训练集的特征值进行，标准化
    std=StandardScaler()
    x_train=std.fit_transform(x_train)
    x_test=std.fit_transform(x_test)

    #【6】执行Knn算法
    knn=KNeighborsClassifier(n_neighbors=5)

    #【7】fit(处理),执行算法（到此模型已训练完成）
    knn.fit(x_train,y_train)

    #【8】预测结果predict（输入测试集进行预测）
    y_predict=knn.predict(x_test)
    print('预测的位置为：',y_predict)

    #【9】算出准确率scroe（对模型进行测试集的预测，的准确率计算）：
    print('准确率为：',knn.score(x_test,y_test))


if __name__=="__main__":
    #choisecsv() #选取部分数据创建一个新表并保存
    demoknn() #knn实例
'''结果
预测的位置为： [7803770431 1097200869 3533177779 ... 4932578245 5606572086 1097200869]
准确率为： 0.4761229314420804
'''

6.4提升预测准确率3：K值调整等

1.调整k值关键代码：

1、k值取多大？有什么影响？

  • k值取很小：容易受异常点影响
  • k值取很大：容易受最近数据太多导致比例变化

2、性能影响：k近邻每个都要进行数值运算，当数据非常多时，非常耗时

1
2
3
4
5
6
    #【6】执行Knn算法
    knn=KNeighborsClassifier(n_neighbors=6)
'''结果：经多次调试发现
k值调整成6预测准确率最高变为：
48%
'''

七、K近邻总结

k-近邻算法步骤

  1. 导入相关模块
  2. 对数据进行初步处理（处理时间戳成新特征、删除无关特征）
  3. 对数据进行划分：分成训练集、测试集
  4. 进行特征工程处理：一般用标准化
  5. 进行knn算法
    1
    2
    3
    4
    5
    6
    import pandas as pd
    from sklearn.model_selection import train_test_split  #数据集分割成：测试集、训练集模块
    from sklearn.preprocessing import StandardScaler #特征工程 标准化 模块
    from sklearn.neighbors import KNeighborsClassifier #knn近邻算法模块

    详情见上一节代码……

k-近邻算法优缺点

优点：

  • 简单，易于理解，易于实现，无需估计参数，无需训练

缺点：

  • 懒惰算法，对测试样本分类时的计算量大，内存开销大
  • 必须指定K值，K值选择不当则分类精度不能保证
  • 使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试