1 KNN算法简介

• KNN算法思想：如果一个样本在特征空间中的K个最相似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。

• K值过小：用较小领域中的训练实例进行预测。
  • 容易受到异常点的影响
  • K值的减小意味着整体模型变得复杂，容易发生过拟合
• K值过大：用较大邻域中的训练实例进行预测。
  • 受到样本均衡的的问题
  • K值的增大意味着整体的模型变得简单，欠拟合

• K值调优的方法：交叉验证、网格搜索；选择奇数，不要选择类别个数的整数倍；5,7（）
• 分类问题&回归问题
• 

2 KNN算法API实现

from sklearn.neighbors import KNeighborsClassifier

def dm01_knnapi_classifier():
    estimator=KNeighborsClassifier(n_neighbors=1)
    X=[[0],[1],[2],[3]]
    y=[0,0,1,1]
    estimator.fit(X,y)
    myret=estimator.predict([[4]])
    print('myret->',myret)

dm01_knnapi_classifier()

 

from sklearn.neighbors import KNeighborsRegressor
def dm02_knnapi_regressor():
    estimator=KNeighborsRegressor(n_neighbors=2)
    X=[[0,0,1],
       [1,1,0],
       [3,10,10],
       [4,11,12]]
    y=[0.1,0.2,0.3,0.4]
    estimator.fit(X,y)
    myret=estimator.predict([[3,11,10]])
    print('myret->',myret)
dm02_knnapi_regressor()

3 距离度量

3.1 欧氏距离（L2）

3.2 曼哈顿距离（MAE，L1）

• 也称“城市街区距离”，曼哈顿城市特点：横平竖直。

3.3 切比雪夫距离（Chebyshev Distance）

3.4 闵可夫斯基距离（Minkowski Distance）

4 特征预处理

• 归一化易受异常值影响
• 自然界中数据符合高斯分布

# 归一化
from sklearn.preprocessing import  MinMaxScaler
def dm01_MinMaxScaler():
    data=[
        [90,2,10,40],
        [60,4,15,45],
        [75,3,13,46]
    ]
    # 初始化归一化对象
    transform=MinMaxScaler()
    # 对原始特征进行变换
    # data=transformer.fit_transform(data)
    # 求最大值、最小值
    transform.fit(data)
    data=transform.transform(data)
    print(data)
dm01_MinMaxScaler()

# 标准化
from sklearn.preprocessing import StandardScaler
def dm03_StandardScale():
    data=[
        [90,2,10,40],
        [60,4,15,45],
        [75,3,13,46]
    ]
    # 初始化标准化对象
    transformer=StandardScaler()
    
    # 对原始特征进行变换
    data=transformer.fit_transform(data)
    # 打印归一化后的结果
    print(data)
    # 打印每一列数据的均值和标准差
    print('transfer.mean-->',transformer.mean_)
    print('transfer.var-->',transformer.var_)
dm03_StandardScale()

5 [案例]Iris分类

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
def iris_classification():
    # 加载数据集
    mydataset=load_iris()
    # 划分数据集
    X_train,X_test,y_train,y_test=train_test_split(mydataset.data,mydataset.target,test_size=0.2,random_state=22)
    print(len(mydataset.data))
    print(len(X_train))
    print(len(X_test))
    print(y_train)
    
    # 数据预处理（标准化）
    tramsfer=StandardScaler()
    X_train=tramsfer.fit_transform(X_train)
    X_test=tramsfer.transform(X_test)
    
    # 模型训练
    knn=KNeighborsClassifier(n_neighbors=3)
    knn.fit(X_train,y_train)
    
    # 模型评估
    print(knn.score(X_test,y_test))
    
    # 模型预测
    new_data=[[0.5,1.2,2.4,5.2]]
    new_data=tramsfer.transform(new_data)
    print(knn.predict(new_data))
    print(knn.predict_proba(new_data))
iris_classification()

6 超参数选择方法

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.preprocessing import StandardScaler
def iris_classification():
    # 加载数据集
    mydataset=load_iris()
    # 划分数据集
    X_train,X_test,y_train,y_test=train_test_split(mydataset.data,mydataset.target,test_size=0.2,random_state=22)
    
    # 数据预处理（标准化）
    tramsfer=StandardScaler()
    X_train=tramsfer.fit_transform(X_train)
    X_test=tramsfer.transform(X_test)
    
    # 模型训练
    knn=KNeighborsClassifier()
    # knn.fit(X_train,y_train)
    estimator=GridSearchCV(estimator=knn,param_grid={'n_neighbors':[3,5,7,9]},cv=4)
    estimator.fit(X_train,y_train)

    print(estimator.best_estimator_)
    print(estimator.best_score_)
    print(estimator.best_params_)
    print(estimator.cv_results_)
    
    # 模型评估
    print(estimator.score(X_test,y_test))
    
    # 模型预测
    new_data=[[0.5,1.2,2.4,5.2]]
    new_data=tramsfer.transform(new_data)
    print(estimator.predict(new_data))
    print(estimator.predict_proba(new_data))
iris_classification()

 7 [案例]手写数字识别

import pandas as pd
from collections import Counter
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsRegressor
import joblib
# 数据加载
data=pd.read_csv('手写数字识别.csv')
# 数据处理（可视化）
x=data.iloc[:,1:]
y=data.iloc[:,0]
# print(Counter(y))
# print(x.shape)
# digit=x.iloc[1000].values.reshape(28,28)
# print(digit)
# plt.imshow(digit,cmap='gray')
# plt.show()
# print(y.iloc[1000])
# 特征工程(归一化)
x=data.iloc[:,1:]/255
y=data.iloc[:,0]
# 数据集划分
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,stratify=y,random_state=0)
# 模型训练
knn=KNeighborsClassifier(n_neighbors=3)
knn.fit(x_train,y_train)

# 模型评估与预测
print(knn.score(x_test,y_test))
# 模型保存
joblib.dump(knn,'knn.path')
# 预览待识别图片
img=plt.imread('demo.png')
plt.imshow(img,cmap='gray')
plt.show()
# 加载模型进行训练
model=joblib.load('knn.path')
print(model.predict(img.reshape(1,-1)))