Press "Enter" to skip to content

K-近邻算法KNN学习笔记

什幺是K-近邻算法?

 

K近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是:存在一个样本数据集合,也称作为训练样本集,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一个数据与所属分类的对应关系。输入没有标签的新数据后,将新的数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。

 

 

k近邻算法例子。测试样本(绿色圆形)应归入要幺是第一类的蓝色方形或是第二类的红色三角形。如果k=3(实线圆圈)它被分配给第二类,因为有2个三角形和只有1个正方形在内侧圆圈之内。如果k=5(虚线圆圈)它被分配到第一类(3个正方形与2个三角形在外侧圆圈之内)。

 

如上所述,这里K值的大小可以任意设定(当K=1时,称算法为最近邻算法),但是k值的选择会对KNN的结果产生重大影响,因此K值的选择具有极其重要的意义。

 

当选择的K值较小时,用于预测的训练数据集则较小,此时近似误差会减小,但是其估计误差会增大,预测结果对近邻的实例点非常敏感。若此时近邻的实例点是噪声,预测就会出错。

 

当选择的K值较大时,用于预测的训练数据集则较大,此时估计误差会减小,但是其近似误差又会增大,此时与输入实例较远(不相似)的实例也会对预测起作用,使预测发生错误。

 

在实际的应用中,通常会选择较小的K值。由于K值小时意味着整体的模型变得复杂,容易形成过拟合,因此通常采用交叉验证的方式选择最优的K值。

 

KNN算法的优缺点

 

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(在高维情况下,会遇到『维数灾难』的问题)

 

KNN算法三要素

 

KNN算法我们主要考虑三个重要的要素,对于固定的训练集,只要这三点确定了,算法的预测方式也就决定了。这三个最终的要素距离度量、 k值的选择和分类决策规则决定。

 

距离度量

 

特征空间中两个实例点的距离是两个实例点相似程度的反映。k近邻模型的特征空间一般是n维实数向量空间 ,使用的距离是一般是欧式距离,也可以是其他距离。由不同的距离度量所确定的最近邻点是不同的。

 

K值的选择

 

k值的大小决定了邻域的大小。较小的k值使得预测结果对近邻的点非常敏感,如果近邻的点恰好是噪声,则预测便会出错。话句话说,k值的减小意味着整体模型变得复杂,容易发生过拟合。较大的k值会让输入实例中较远的(不相似的)训练实例对预测起作用,使预测发生错误,k值的增大意味着整体模型变得简单。在实际的应用中,一般采用一个比较小的K值。并采用交叉验证的方法,选取一个最优的K值。一个极端是k等于样本数m,则完全没有分类,此时无论输入实例是什幺,都只是简单的预测它属于在训练实例中最多的类,模型过于简单。

 

分类决策规则决定

 

k近邻法中的分类规则往往是多数表决,即由输入实例的k个近邻的训练实例中的多数类决定输入的实例。但这个规则存在一个潜在的问题:有可能多个类别的投票数同为最高。这个时候,可以通过以下几个途径解决该问题:

 

从投票数相同的最高类别中随机地选择一个;

 

通过距离来进一步给票数加权;

 

减少K的个数,直到找到一个唯一的最高票数标签。

 

近邻算法中的分类决策多采用多数表决的方法进行。它等价于寻求经验风险最小化。

 

K-近邻算法的实现

 

线性扫描

 

KNN的最简单朴素的方法即直接线性扫描,大致步骤如下:

 

计算待预测数据与各训练样本之间的距离

 

按照距离递增排序

 

选择距离最小的k个点

 

计算这k个点类别的频率,最高的即为待预测数据的类别。

 

import math

 

from collections import defaultdict

 

class KNN(object):

 

def __init__(self, k=2):

 

self.data = None

 

self.k = k

 

@staticmethod

 

def distance(p1, p2):

 

x1, y1 = p1

 

x2, y2 = p2

 

x_ = x2 – x1

 

y_ = y2 – y1

 

return math.sqrt(x_ ** 2 + y_ ** 2)

 

def fit(self, X, y):

 

self.data = dict(zip(X, y))

 

def predict(self, point):

 

distances = {}

 

for p, _ in self.data.items():

 

distances[p] = self.distance(p, point)

 

sort_distances = dict(sorted(distances.items(), key=lambda x: x[1]))

 

topk = defaultdict(int)

 

for idx, (p, v) in enumerate(sort_distances.items()):

 

if idx == self.k – 1:

 

break

 

topk[self.data[p]] += 1

 

topk = sorted(topk.items(), key=lambda x: -x[1])

 

return topk[0][0]

 

if __name__ == ‘__main__’:

 

points = [(1, 1), (1, 1.2), (0, 0), (0, 0.2), (3, 0.5), (3.3, 0.9)]

 

labels = [‘A’, ‘A’, ‘B’, ‘B’, ‘C’, ‘C’]

 

knn = KNN()

 

knn.fit(points, labels)

 

label = knn.predict((0.9, 0.7))

 

print(label)

 

KD树

 

线性扫描非常耗时,为了提高k近邻搜索的效率,可以考虑使用特殊的结构存储训练数据,以减少计算距离的次数。kd树是一种对k维空间的实例点进行存储以便对其进行快速检索的树形数据结构。kd树是二叉树,表示对k维空间的一个划分(partition),构造kd树相当于不断用垂直于坐标轴的超平面将k维空间切分,构成一系列的k维超矩形区域。kd树中的每个节点对应一个k维超矩形区域。

 

KD树(k-dimensional tree),也可称之为K维树,可以用更高的效率来对空间进行划分,并且其结构非常适合寻找最近邻居和碰撞检测。对于2维空间,KD树可称为2D树,因为空间只有两个坐标轴;对于3维空间,KD树可称为3D树,空间中有三个坐标轴;以此类推。

 

对于不同维度的空间,KD树的构建思路完全一致。下面以二维空间为例。KD树的本质是一个二叉树,即一个根节点,划分为左子树和右子树。所以KD树的构建无非是两个问题:根节点的选择,左右子树的划分规则。

 

以下是KD树的构建过程。

 

选定一个轴,比如X轴,选择这个轴上的中位数的所在点为根节点

 

所有X比中位数X小的,都划分为左子树;反之,则划分为右子树

 

对于左右两个子树,重复第一步,但是需要把划分轴换成另外一个轴(Y)继续

 

重复以上过程,直到所有点都加入KD树中

 

 

以上图举例,第一步对X轴进行划分,点(7,2)的X坐标7为所有X坐标的中位数,其被确立为根节点;X坐标比7小的点(5,4)、(2,3)、(4,7)被划分到左子树;X坐标比7大的点(9,6)、(8,1)被划分到右子树。对于左子树(5,4)、(2,3)、(4,7),对它们的Y轴进行划分,点(5,4)的Y坐标4为所有左子树的Y坐标的中位数,其被确立为左子树的根节点;Y坐标比4小的点(2,3)被划分为左子树;Y坐标比4大的点(4,7)被划分为右子树。对于右子树(9,6)、(8,1),和左子树同理,也是对Y轴进行划分。此时所有点都已经加入到KD树中,创建结束。

 

一个直观的理解是,创建方式看起来有点像对空间横纵切蛋糕的方式,对于2D空间,第一刀沿着X轴将空间划分为两半,第二刀又沿着Y轴分别将已经划分好的两半再划分为两半,第三刀又继续沿着X轴进行划分……直到所有点都落入KD树中。对于3D空间,则是沿着X->Y->Z->X此类的循环依次对空间进行对半分割。(决定在哪个维度上进行分割是由所有数据在各个维度的方差决定的,方差越大说明该维度上的数据波动越大,更应该再该维度上对点进行划分。例如x维度方差较大,所以以x维度方向划分。)

 

 

构建完一颗KD-TREE之后,如何使用它来做KNN检索呢?用下面的20s的GIF动画来表示:

 

以下是寻找最近邻居算法的描述:

 

建立一个空的栈S

 

对于给定的查询点P,沿着根节点遍历整个KD树,直到不能再遍历为止,将每个遍历的点都入栈(Push)

 

遍历的过程非常简单,对于KD树中的点和这个点的划分坐标,如果查询点比这个点的划分坐标大,则继续遍历这个点的右子树,否则遍历这个点的左子树

 

若栈非空,开始循环,设最邻近距离为无穷大

 

将栈顶的点P弹出(Pop),计算查询点与之的距离Dist,如果Dist小于最邻近距离,则更新最近邻距离为Dist,同时更新最邻近点为P

 

判断点P的划分轴,若查询点到划分轴的距离小于最近邻距离,则说明在划分轴的另外一侧还可能存在更邻近的点,需要在划分轴的另一侧的根节点再执行一次遍历,将每个遍历的点都入栈(Push)

 

若栈为空,则终止循环,返回结果

 

以上算法用到了栈来模拟递归,避免了递归的函数深层调用和返回的开销。

 

KD树之所以如此高效的原因在于第六步,也就是剪枝。如上图所示,在已经搜索到B时,发现其到B的距离,要比到A的右子树的平面距离还更短,所以整个A的右子树都被剪枝,一下子剪去了一半的点。

 

# -*- coding: utf-8 -*-

 

import math

 

from collections import defaultdict

 

class KNN(object):

 

def __init__(self, topk=3):

 

self.data = None

 

self.store = {}

 

self.topk = topk

 

def build_kdtree(self, points, depth=0):

 

n = len(points)

 

if n <= 0: # 如果当前子空间已经没有点了则构建过程结束

 

return None

 

axis = depth % 2 # 计算当前选择的坐标轴

 

sorted_points = sorted(points, key=lambda point: point[axis]) # 对当前子空间的点根据当前选择轴的值进行排序

 

median = n // 2 # 中位数取排序后坐标点的中间位置的数

 

return {

 

‘point’: sorted_points[median], # 当前根结点

 

‘left’: self.build_kdtree(sorted_points[:median], depth + 1), # 将超平面左边的点交由左子结点递归操作

 

‘right’: self.build_kdtree(sorted_points[median + 1:], depth + 1) # 同理,将超平面右边的点交由右子结点递归操作

 

}

 

@staticmethod

 

def distance(p1, p2):

 

if p1 is None or p2 is None:

 

return 0

 

x1, y1 = p1

 

x2, y2 = p2

 

x_ = x2 – x1

 

y_ = y2 – y1

 

return math.sqrt(x_ ** 2 + y_ ** 2)

 

def closer_distance(self, point, p1, p2):

 

d1 = self.distance(point, p1)

 

d2 = self.distance(point, p2)

 

if p1 is None:

 

return (p2, d2)

 

if p2 is None:

 

return (p1, d1)

 

return (p1, d1) if d1 < d2 else (p2, d2)

 

def kdtree_closest_point(self, root, point, depth=0):

 

if root is None:

 

return None

 

axis = depth % 2

 

next_branch = None

 

opposite_branch = None

 

# 以下主要是比较当前点到根结点和两个子结点之间的距离

 

if point[axis] < root[‘point’][axis]:

 

next_branch = root[‘left’]

 

opposite_branch = root[‘right’]

 

else:

 

next_branch = root[‘right’]

 

opposite_branch = root[‘left’]

 

best, closer_dist = self.closer_distance(

 

point,

 

self.kdtree_closest_point(

 

next_branch,

 

point,

 

depth + 1),

 

root[‘point’]

 

)

 

if self.distance(point, best) > abs(point[axis] – root[‘point’][axis]):

 

best, closer_dist = self.closer_distance(

 

point,

 

self.kdtree_closest_point(

 

opposite_branch,

 

point,

 

depth + 1),

 

best

 

)

 

# 储存距离,留作投票用

 

if best in self.store and self.store[best] > closer_dist:

 

self.store[best] = closer_dist

 

else:

 

self.store[best] = closer_dist

 

return best

 

def fit(self, X, y):

 

self.data = dict(zip(X, y))

 

self.kdtree = self.build_kdtree(X)

 

def predict(self, point):

 

# best 是最邻近的点

 

best = self.kdtree_closest_point(self.kdtree, point)

 

sorted_stores = sorted(self.store.items(), key=lambda x: x[1])[:self.topk]

 

counter = defaultdict(int)

 

for candidates, score in sorted_stores:

 

counter[self.data[candidates]] += 1

 

# 按照投票数降序排列

 

sorted_counter = sorted(counter.items(), key=lambda x: -x[1])

 

counter = list(counter.items())

 

if len(counter) > 1:

 

if counter[0][1] != counter[1][1]:

 

best = counter[0][1]

 

return self.data[best]

 

if __name__ == ‘__main__’:

 

points = [(1, 1), (1, 1.2), (0, 0), (0, 0.2), (3, 0.5), (3.3, 0.9)]

 

labels = [‘A’, ‘A’, ‘B’, ‘B’, ‘C’, ‘C’]

 

knn = KNN(topk=3)

 

knn.fit(points, labels)

 

label = knn.predict((0.9, 0.9))

 

print(label)

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注