Python机器学习（一）：kNN算法

这段时间用opencv中的机器学习算法做了一下目标检测，效果还是不错的。但都是按照命令和库进行调用，基本对我来说是个黑盒子。固然工程师要会用工具，但如果不深入理解内部实现，是很难进步的。所以我打算花上一些时间（可能两个月以上）来学习一下机器学习的基本概念，并且用python语言去实现一些经典的算法，希望自己能坚持下去吧～

1.简介

kNN算法可以说是机器学习中最简单的一种算法了。它思想极其简单，应用数学知识很少，并且效果相对于它的复杂程度来说极其地好，许多问题都可以用它来解决。它的思想用上面的一张图就可以解释清楚。它的本质是让输入与给定的数据集进行距离的计算。如果最近的点大部分为某一类（比如说是A），则判定为A类。kNN中的k，就是跟输入比较的点的数量。这个是作为算法的一个参数。当然距离的计算方法有很多种，比如说欧拉距离

多维的情况可以如下进行推导

也可以使用明科夫斯基距离，其中p成为了算法的一个参数

2.算法实现

算法大概可以用python进行封装成这个样子

""" Created by 杨帮杰 on 9/25/18 Right to use this code in any way you want without warranty, support or any guarantee of it working E-mail: yangbangjie1998@qq.com Assication: SCAU 华南农业大学 """ import numpy as np from math import sqrt from collections import Counter class KNNClassifier: def __init__(self,k): assert k>=1,"k must be valid" self.k = k self._X_train = None self._y_train = None def fit(self, X_train, y_train): """根据训练数据集X_train和y_train训练kNN分类器""" assert X_train.shape[0] == y_train.shape[0], \ "the size of X_train must be equal to the size of y_train" assert self.k <= X_train.shape[0], \ "the size of X_train must be at least k" self._X_train = X_train self._y_train = y_train return self def predict(self, X_predict): """给定待预测数据集X_predict, 返回表示X_predict的结果向量""" assert self._X_train is not None and self._y_train is not None, \ "must fit before predict!" assert X_predict.shape[1] == self._X_train.shape[1], \ "the feature number of X_predict must be equal to X_train" y_predict = [self._predict(x) for x in X_predict] return np.array(y_predict) def _predict(self, x): """给定单个待预测数据x,返回x的预测结果值""" assert x.shape[0] == self._X_train.shape[1], \ "the feature number of x must be equal to X_train" distances = [sqrt(np.sum((x_train - x) ** 2)) for x_train in self._X_train] nearest = np.argsort(distances) topK_y = [self._y_train[i] for i in nearest[:self.k]] votes = Counter(topK_y) return votes.most_common(1)[0][0] def __repr__(self): return "KNN(k=%d)" % self.k 

可以看到，类中的fit方法也就是算法的训练过程什么都没干，就是把成员赋值。所以说，kNN是一个不需要训练模型的算法，或者说训练集本身就是模型。

在python的机器学习库sciki-learn中，可以进行以下的方法进行调用

""" Created by 杨帮杰 on 9/25/18 Right to use this code in any way you want without warranty, support or any guarantee of it working E-mail: yangbangjie1998@qq.com Assication: SCAU 华南农业大学 """ from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier # 获得鸢尾花的数据集 iris = datasets.load_iris() x = iris.data y = iris.target # 测试集与训练集分离，测试集为20%的总数据 X_train, X_test, y_train, y_test = \ train_test_split(iris.data, iris.target, test_size=0.2) # 对数据进行归一化处理 standarScaler = StandardScaler() standarScaler.fit(X_train) X_train_std = standarScaler.transform(X_train) X_test_std = standarScaler.transform(X_test) # 模型训练和测试 knn_clf = KNeighborsClassifier(n_neighbors=4) knn_clf.fit(X_train_std,y_train) score = knn_clf.score(X_test_std, y_test) print(score) 

结果如下。可以看到对于简单的多分类问题kNN算法有着很好的效果。

3.需要注意的细节

• 为了验证模型训练的结果，往往需要将数据分为训练集和测试集。模型训练之后将模型运用到测试集中，如果效果不好则说明参数和算法本身需要调整。

• 机器学习中参数分为超参数和模型参数。超参数是算法在实际运用中的参数，模型参数是算法在训练模型时需要的参数。kNN没有模型参数，而k值是典型的超参数。

• 参数的度量单位不同，会对结果产生极大的影响。所以我们需要对数据映射到统一尺度，即归一化。其中归一化分为最值归一化和方差归一化。一般使用方差归一化

4.算法优缺点

优点：思想简单，实现起来比较容易，在多分类问题上效果很好
缺点：效率低下。如果有m个样本和n个特征，则算法复杂度为O(m*n)。当训练数据比较多的时候，可以想象速度有多感人。而且结果不具有可解释性。

References:
Python3 入门机器学习 经典算法与应用 —— liuyubobobo
机器学习实战 —— Peter Harrington