一 理论基础
\(k\)近邻法是一种基本地分类与回归算法，属于判别模型。没有学习策略，不具备显式学习过程。本文主要讨论分类问题。原理：给定一个训练数据集，对于新的输入实例，在训练数据集中找到与该实例最邻近的\(k\)个点，这\(k\)个点的多数属于某个类，就把输入实例归为这个类。三个基本要素：\(k\)值得选择，距离度量以及分类决策规则1.超参数k：选择较小的k值，对噪声比较敏感。意味着整体模型变得复杂，容易过拟合；选择较大的k值，较远的实例也会对预测起作用，使预测发生错误。意味着模型变得简单。
2.距离度量：距离是空间两个实力点相似程度的反映。\(\mathbf{x}_i=(x_i^{(1)},x_i^{(2)},...,x_i^{(n)})^T,\mathbf{x}_j=(x_j^{(1)},x_j^{(2)},...,x_j^{(n)})^T\)，距离定义如下：\[\mathit{L_p}=(\sum_{l=1}^{n}|x_i^{(l)}-x_j^{(l)}|^p)^{\frac{1}{p}}\]
p=1时称为曼哈顿距离，p=2时称为欧氏距离。
3.分类决策规则：一般采用多数表决。
二 代码实现
编写的分类器实现功能：超参数k，超参数p,拟合训练集，对新的数据进行分类，对分类结果计算精度。感兴趣的还可以加入超参数距离的权重以及kd树，球树等实现方法。这里不再赘述。KNN算法实现代码如下class KNNClassify():def __init__(self,k=5, p=2):self.k = kself.p = pself._X_train = Noneself._y_train = Nonedef fit(self, X_train, y_train):self._X_train = X_trainself._y_train = y_trainreturn selfdef predict_y(self, X_test):m = self._X_train.shape[0]y_pre = []for intX in X_test:minus_mat = np.fabs(np.tile(intX, (m, 1)) - self._X_train) # 将新的实例复制成m行1列，并进行相减sq_minus_mat = minus_mat ** self.psq_distance = sq_minus_mat.sum(axis=1)diff_sq_distance = sq_distance ** float(1/self.p)sorted_distance_index = diff_sq_distance.argsort()# 记录距离最近的k个点的索引class_count = {}vola = []for i in range(self.k):vola = self._y_train[sorted_distance_index[i]]class_count[vola] = class_count.get(vola, 0) + 1 # 统计k个点中所属各个类别的实例数目sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True) # 返回列表，元素为元组。每个类别以及对应的实例数目y_pre.append((sorted_class_count[0][0]))return (np.array(y_pre))def score(self, X_test, y_test):j = 0for i in range(len(self.predict_y(X_test))):if self.predict_y(X_test)[i] == y_test[i]:j += 1return ('accuracy: {:.10%}'.format(j / len(y_test)))
下面以鸢尾花数据集来评估编写的分类器效果
import numpy as npimport operatorfrom sklearn import datasetsfrom sklearn.model_selection import train_test_split# 获取数据集，并进行8:2切分iris = datasets.load_iris()X = iris.datay = iris.targetX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 定义分类器的实例，并进行拟合预测f = KNNClassify()f.fit(X_train, y_train)y_pre = f.predict_y(X_test)accuracy = f.score(X_test, y_test)print(y_test)print(y_pre)print(accuracy)
输出结果如下，可以看出分类效果还可以。
[1 2 2 2 0 1 2 0 0 0 1 2 0 0 2 1 2 0 2 2 2 2 0 2 1 1 0 2 0 1]
[1 2 2 2 0 1 2 0 0 0 1 2 0 0 2 1 1 0 2 2 2 2 0 2 1 1 0 2 0 1]
accuracy: 96.6666666667%需要注意的是KNN由于与距离有关，如果某个特征数值相比其他特征较大大，会对距离产生很大的影响。例如具有实例x1=[1 3 1000 2],x2=[1.5 4 1100 2],计算距离时第三个特征差基本起到了主导作用，弱化了其他特征。为避免这种情况，应先对数据进行预理。预处理方法。关于标准化与归一化，不同的人有不同看法，这里以sklearn为准，标准化对象为特征，归一化对象为样本，当然两者实质都是对训练集数据的改变。可以参考[/cn/0.19.0/modules/preprocessing.html#preprocessing-scaler]
1.标准化(对特征），也称去均值和方差按比例缩放。数据集的标准化对scikit-learn中实现的大多数机器学习算法来说是常见的要求 。(对象为特征，依赖于训练集中所有样本） 如果个别特征或多或少看起来不是很像标准正态分布(具有零均值和单位方差)，那么它们的表现力可能会较差。在实际情况中,我们经常忽略特征的分布形状，直接减去均值来对某个特征进行中心化，再通过除以非常量特征(non-constant features)的标准差进行缩放。
\[x=\frac{x-\bar{x}}{\sigma }\]将特征缩放到给定的区间，通常为[0,1]。或者也可以将每个特征的最大值转换至单位大小，它通过除以每个特征的最大值将训练数据特征缩放至 [-1, 1] 范围内，这就意味着训练数据应该是已经零中心化或者是稀疏数据。两者分别使用MinMaxScaler和MaxAbsScaler实
现。对于两者计算公式分别为\[x=\frac{x-min(x)}{max(x)-min(x)}，x=\frac{x}{max(x)}\]
2.归一化（对样本）。归一化 是缩放单个样本以具有单位范数的过程。注意对象为样本而非某个特征！！通常使用 L1 或 L2 范数。例如实例\(\mathbf{x}_1=(1,2,2)^T\),归一化后\(\mathbf{x}_1= (0.33,0.66,0.66)^T\)。不依赖于其他样本特征数值。
3.二值化。
4.非线性变换
5.特征编码L
6.缺失值插补
由此可以看出，对于kNN而言，当某个特征的差值相比其他特征较大时，可以采用标准化，以避免某个特征对距离影响。如果进行归一化，虽然也是改变了特征取值区间，但是特征间量级关系依然会相差很大。
当我们得出一个算法模型后，如何评判模型的好坏呢？包括许多性能度量方法，例如精度与错误率、查准率查全率与F1、ROC与AUC等等。假如我们选择精度作为衡量指标，我们采用多次留出法或者p次k折交叉验证，然后将各个精度取均值作为此模型的评估指标。
1.留出法。将数据集分成互斥的训练集与测试集，可以得出一个精度。因为划分方式存在多种方式，因此使用留出法时，采用若干次随机划分，重复进行实验取平均值作为留出法评估结果。
2.交叉验证。将数据划分成k个互斥大小相似的集合，每次采用k-1个作为训练集，剩下一个作为测试集，总共可进行k次，最终返回k次结果的均值。同样由于划分方式不同，可进行p次划分，每次都进行k折交叉验证，取最后均值作为评估结果，称为p次k折交叉验证。
