图解机器学习 | KNN算法及其应用

ShowMeAI用知识加速每一次技术成长

作者:韩信子@ShowMeAI
教程地址http://www.showmeai.tech/tutorials/34
本文地址http://www.showmeai.tech/article-detail/187
声明:版权所有,转载请联系平台与作者并注明出处

收藏 ShowMeAI 查看更多

目录

引言

近邻算法(K-nearest neighbors,KNN ,有些地方也译作「 近邻算法」)是一种很基本朴实的机器学习方法。

KNN 在我们日常生活中也有类似的思想应用,比如,我们判断一个人的人品,往往只需要观察他最密切的几个人的人品好坏就能得到结果了。这就是 KNN 的思想应用,KNN 方法既可以做分类,也可以做回归。在本篇内容中,我们来给大家展开讲解 KNN 相关的知识原理。

(本篇 KNN 部分内容涉及到机器学习基础知识,没有先序知识储备的宝宝可以查看ShowMeAI的文章 图解机器学习 | 机器学习基础知识

1.机器学习与分类问题

1)分类问题

分类问题是机器学习非常重要的一个组成部分,它的目标是根据已知样本的某些特征,判断一个样本属于哪个类别。分类问题可以细分如下:

KNN算法及其应用; 机器学习算法分类;


  • 二分类问题:表示分类任务中有两个类别新的样本属于哪种已知的样本类。

  • 多类分类(Multiclass classification)问题:表示分类任务中有多类别。

  • 多标签分类(Multilabel classification)问题:给每个样本一系列的目标标签。

2)分类问题的数学抽象

从算法的角度解决一个分类问题,我们的训练数据会被映射成 维空间的样本点(这里的 就是特征维度),我们需要做的事情是对 维样本空间的点进行类别区分,某些点会归属到某个类别

下图所示的是二维平面中的两类样本点,我们的模型(分类器)在学习一种区分不同类别的方法,比如这里是使用一条直线去对两类不同的样本点进行切分。

KNN算法及其应用; 机器学习算法分类; 分类问题的数学抽象;


常见的分类问题应用场景很多,我们选择几个进行举例说明:

  • 垃圾邮件识别:可以作为二分类问题,将邮件分为你「垃圾邮件」或者「正常邮件」。

  • 图像内容识别:因为图像的内容种类不止一个,图像内容可能是猫、狗、人等等,因此是多类分类问题。

  • 文本情感分析:既可以作为二分类问题,将情感分为褒贬两种,还可以作为多类分类问题,将情感种类扩展,比如分为:十分消极、消极、积极、十分积极等。

2.K近邻算法核心思想

在模式识别领域中, 近邻算法( KNN 算法,又译 最近邻算法)是一种用于分类和回归的非参数统计方法。在这两种情况下,输入包含特征空间中的 个最接近的训练样本。

1)K近邻核心思想

在 KNN 分类中,输出是一个分类族群。一个对象的分类是由其邻居的「多数表决」确定的 个最近邻居( 为正整数,通常较小)中最常见的分类决定了赋予该对象的类别。

  • ,则该对象的类别直接由最近的一个节点赋予。

在 KNN 回归中,输出是该对象的属性值。该值是其 个最近邻居的值的平均值。

KNN算法及其应用; K近邻算法; 核心思想;


近邻居法采用向量空间模型来分类,概念为相同类别的案例,彼此的相似度高。而可以借由计算与已知类别案例之相似度,来评估未知类别案例可能的分类。

KNN 是一种基于实例的学习,或者是局部近似和将所有计算推迟到分类之后的惰性学习。 近邻算法是所有的机器学习算法中最简单的之一。

2)豆子分类例子

想一想:下图中只有三种豆,有三个豆的种类未知,如何判定他们的种类?

KNN算法及其应用; K近邻算法; 豆子分类例子;


1968年,Cover 和 Hart 提出了最初的近邻法,思路是——未知的豆离哪种豆最近,就认为未知豆和该豆是同一种类。

KNN算法及其应用; K近邻算法; 豆子分类例子;


由此,引出最近邻算法的定义:为了判定未知样本的类别,以全部训练样本作为代表点计算未知样本与所有训练样本的距离,并以最近邻者的类别作为决策未知样本类别的唯一依据。


最近邻算法的缺陷是对噪声数据过于敏感。从图中可以得到,一个圈起来的蓝点和两个圈起来的红点到绿点的距离是相等的,根据最近邻算法,该点的形状无法判断。

为了解决这个问题,我们可以把位置样本周边的多个最近样本计算在内,扩大参与决策的样本量,以避免个别数据直接决定决策结果。

KNN算法及其应用; K近邻算法; 豆子分类例子;


引进 近邻算法——选择未知样本一定范围内确定个数的 个样本,该 个样本大多数属于某一类型,则未知样本判定为该类型。 近邻算法是最近邻算法的一个延伸

根据 近邻算法,离绿点最近的三个点中有两个是红点,一个是蓝点,红点的样本数量多于蓝点的样本数量,因此绿点的类别被判定为红点。

3.K近邻算法步骤与示例

下面的内容首先为大家梳理下 近邻算法的步骤,之后通过示例为大家展示 近邻算法的计算流程。

KNN算法及其应用; K近邻算法; 步骤与示例;

1)K近邻算法工作原理

  • 存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每个数据与所属分类的对应关系。

  • 输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。

  • 一般来说,只选择样本数据集中前 个最相似的数据。 一般不大于 ,最后,选择 个中出现次数最多的分类,作为新数据的分类。

2)K近邻算法参数选择

  • 如何选择一个最佳的 值取决于数据。一般情况下,在分类时较大的 值能够减小噪声的影响,但会使类别之间的界限变得模糊。一个较好的 值能通过各种启发式技术(见超参数优化)来获取。

  • 噪声和非相关性特征的存在,或特征尺度与它们的重要性不一致会使 近邻算法的准确性严重降低。对于选取和缩放特征来改善分类已经做了很多研究。一个普遍的做法是利用进化算法优化功能扩展,还有一种较普遍的方法是利用训练样本的互信息进行选择特征

  • 在二元(两类)分类问题中,选取 为奇数有助于避免两个分类平票的情形。在此问题下,选取最佳经验 值的方法是自助法。

说明: KNN 没有显示的训练过程,它是「懒惰学习」的代表,它在训练阶段只是把数据保存下来,训练时间开销为 ,等收到测试样本后进行处理。

3)K近邻算法示例

举例:以电影分类作为例子,电影题材可分为爱情片,动作片等。那么爱情片有哪些特征?动作片有哪些特征呢?也就是说给定一部电影,怎么进行分类?

这里假定将电影分为爱情片和动作片两类,如果一部电影中接吻镜头很多,打斗镜头较少,显然是属于爱情片,反之为动作片。

KNN算法及其应用; K近邻算法; 算法示例-电影分类;


有人曾根据电影中打斗动作和接吻动作数量进行评估,数据如图。给定一部电影数据 打斗镜头 个,接吻镜头 个,如何知道它是什么类型的呢?

现在我们按照距离的递增顺序排序,可以找到 个距离最近的电影。

KNN算法及其应用; K近邻算法; 算法示例-电影分类;


假如 ,那么来看排序的前 个电影的类别,都是爱情片,根据 KNN 的投票机制,我们判定这部电影属于爱情片。(这里的 是超参数,可以调整,如果取 ,那可能投票的4部电影分别是 爱情片、爱情片、爱情片、动作片,但本例中判定结果依旧为爱情片)

4.K近邻算法的缺点与改进

1)K近邻算法的优缺点

不同类别的样本点,分布在空间的不同区域。 近邻是基于空间距离较近的样本类别来进行分类,本质上是对于特征空间的划分。

KNN算法及其应用; K近邻算法; 优缺点;


  • 优点:精度高、对异常值不敏感、无数据输入假定。
  • 缺点:计算复杂度高、空间复杂度高。
  • 适用数据范围:数值型和标称型。

2)K近邻算法的核心要素:距离度量准则

近邻算法能用一种有效的方式隐含的计算决策边界。另外,它也可以显式的计算决策边界,以及有效率的这样做计算,使得计算复杂度是边界复杂度的函数。 近邻算法依赖于空间中相近的点做类别判断,判断距离远近的度量标准非常重要

距离的度量标准,对很多算法来说都是核心要素(比如无监督学习的 聚类算法 也很大程度依赖距离度量),也对其结果有很大的影响。

KNN算法及其应用; K近邻算法; 核心要素-距离度量准则;


距离又称闵可夫斯基距离,Minkowski Distance)不是一种距离,而是一组距离的定义。

  • 参数 时为曼哈顿距离(又称L1距离程式区块距离),表示两个点在标准坐标系上的绝对轴距之和。

  • 参数 时为欧氏距离(又称L2距离欧几里得度量),是直线距离常见的两点之间或多点之间的距离表示法。

  • 参数 时,就是切比雪夫距离(各坐标数值差的最大值)。

3)K近邻算法的核心要素:K的大小

对于 KNN 算法而言, 的大小取值也至关重要,如果选择较小的 值,意味着整体模型变得复杂(模型容易发生过拟合),模型学习的近似误差(approximation error)会减小,但估计误差(estimation error)会增大。

如果选择较大的 值,就意味着整体的模型变得简单,减少学习的估计误差,但缺点是学习的近似误差会增大。

在实际的应用中,一般采用一个比较小的 值。并采用交叉验证的方法,选取一个最优的 值。

4)K近邻算法的缺点与改进

(1)缺点

观察下面的例子,我们看到,对于样本 ,通过 KNN 算法,我们显然可以得到 应属于红色类别。但对于样本 ,KNN 算法判定的结果是 应属于蓝色类别,然而从距离上看 和红色的批次样本点更接近。因此,原始的 KNN 算法只考虑近邻不同类别的样本数量,而忽略掉了距离。

KNN算法及其应用; K近邻算法; 缺点;


除了上述缺点,KNN 还存在如下缺点:

  • 样本库容量依赖性较强对 KNN 算法在实际应用中的限制较大:有不少类别无法提供足够的训练样本,使得 KNN 算法所需要的相对均匀的特征空间条件无法得到满足,使得识别的误差较大。

  • 值的确定: KNN 算法必须指定 值, 值选择不当则分类精度不能保证。

(2)改进方法

KNN算法及其应用; K近邻算法; 缺点与改进方法;


加快 KNN 算法的分类速度

  • 浓缩训练样本当训练样本集中样本数量较大时,为了减小计算开销,可以对训练样本集进行编辑处理,即从原始训练样本集中选择最优的参考子集进行 近邻寻找,从而减少训练样本的存储量和提高计算效率。

  • 加快 个最近邻的搜索速度这类方法是通过快速搜索算法,在较短时间内找到待分类样本的 个最近邻。


对训练样本库的维护

  • 对训练样本库进行维护以满足 KNN 算法的需要,包括对训练样本库中的样本进行添加或删除,采用适当的办法来保证空间的大小,如符合某种条件的样本可以加入数据库中,同时可以对数据库库中已有符合某种条件的样本进行删除。从而保证训练样本库中的样本提供 KNN 算法所需要的相对均匀的特征空间。

5.案例介绍

假如一套房子打算出租,但不知道市场价格,可以根据房子的规格(面积、房间数量、厕所数量、容纳人数等),在已有数据集中查找相似( 近邻)规格的房子价格,看别人的相同或相似户型租了多少钱。

KNN算法及其应用; 案例介绍; 数据集;


分类过程:已知的数据集中,每个已出租住房都有房间数量、厕所数量、容纳人数等字段,并有对应出租价格。将预计出租房子数据与数据集中每条记录比较计算欧式距离,取出距离最小的5条记录,将其价格取平均值,可以将其看做预计出租房子的市场平均价格。


注意:

  • 最好不要将所有数据全部拿来测试,需要分出训练集和测试集,具体划分比例按数据集确定。

  • 理想情况下,数据集中每个字段取值范围都相同。但实际上这是几乎不可能的,如果计算时直接用原数数据计算,则会造成较大训练误差。所以需要对各列数据进行标准化或归一化操作,尽量减少不必要的训练误差

  • 数据集中非数值类型的字段需要转换,替换掉美元$符号和千分位逗号。

机器学习【算法】系列教程

机器学习【实战】系列教程

ShowMeAI 系列教程推荐

图解机器学习 | KNN算法及其应用

图解机器学习 | 模型评估方法与准则

发表评论
您的评论会经过筛选后显示