|
1.核心思想程序员 若是一个样本在特征空间中的k个最相邻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，并具备这个类别上样本的特性。也就是说找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，就能够获得该样本的属性。面试 下面看一个例子，算法 一个程序员面试结束后，想一想知道是否拿到offer，他在网上找到几我的的工做经历和大概薪资，以下，X为年龄，Y为工资;网络
当k取1的时候，咱们能够看出距离最近的no offer，所以获得目标点为不被录用。数据结构 当k取3的时候，咱们能够看出距离最近的三个，分别是有offer 和no offer，根据投票决定 offer的票数较高为2 ，因此被录用。测试
算法流程对象 1. 准备数据，对数据进行预处理，经常使用方法，特征归一化、类别型特征的处理、高维组合特征的处理、组合特征的处理、文本表示模型的模型处理、Word2Vec、图像数据不足时的处理方法blog
2. 选用合适的数据结构存储训练数据和测试元组，根据模型验证方法，把样本划分不一样的训练集和测试集，好比holdout只须要划分为两个部分，交叉验证划分为k个子集，自助法跟着模型来队列 3. 设定参数，如k的取值，这个涉及到超参数调优的问题，网络搜索、随机搜索、贝叶斯算法等效率 4.维护一个大小为k的的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组做为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列 5. 遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L 与优先级队列中的最大距离Lmax 6. 进行比较。若L>=Lmax，则舍弃该元组，遍历下一个元组。若L < Lmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。 7. 遍历完毕，计算优先级队列中k 个元组的多数类，并将其做为测试元组的类别。 8. 测试元组集测试完毕后计算偏差率，继续设定不一样的k值从新进行训练，最后取偏差率最小的k 值。
简单来讲，knn算法最重要的是三个要素：K值选择,距离度量,分类决策规则，
K的选择 如k的取值，这个涉及到超参数调优的问题，k的取值对结果会有很大的影响。K值设置太小会下降分类精度，增长模型复杂度；若设置过大，且测试样本属于训练集中包含数据较少的类，则会增长噪声，下降分类效果。一般，K值的设定采用交叉检验的方式（以K=1，K=2，K=3依次进行），K折交叉验证以下：
1） 将所有训练集S分红K个不相交的子集，假设S中的训练样例个数为m，那么每个子集有m/k个训练样例。
（2） 每次从分好的子集中，选出一个做为测试集，另外k-1个做为训练集。
（3） 根据训练集获得模型。
（4） 根据模型对测试集进行测试，获得分类率。
（5） 计算k次求得的分类率的平均值，做为模型的最终分类率。 以五折交叉验证为例;
分别得出K=1时的平均分类准确度、K=1时的平均分类准确度……选出最优K值
距离度量
在KNN算法中，经常使用的距离有三种，分别为曼哈顿距离、欧式距离和闵可夫斯基距离。 距离通式：
当p=1时，称为曼哈顿距离
当p=2时，称为欧式距离
当p=∞时，
分类决策规则 ： 1.多数表决：少数服从多数，即训练集里和预测的样本特征最近的K个样本，预测为里面有最多类别数的类别
2.加权表决：根据各个邻居与测试对象距离的远近来分配相应的投票权重。最简单的就是取二者距离之间的倒数，距离越小，越类似，权重越大，将权重累加，最后选择累加值最高类别属性做为该待测样本点的类别，相似大众评审和专家评审。
这两种确简单直接，在样本量少，样本特征少的时候有效，只适合数据量小的状况。由于咱们常常碰到样本的特征数有上千以上，样本量有几十万以上，若是咱们这要去预测少许的测试集样本，算法的时间效率很成问题。所以，这个方法咱们通常称之为蛮力实现。比较适合于少许样本的简单模型的时候用。一个是KD树实现，一个是球树实现。 |
|
|
