【机器学习】KNN算法介绍及py实现（详细代码，通俗易懂）

目标

看完这篇博客你将学会：

• 用KNN算法来对数据进行分类

在这里，我们将用knn对一个顾客数据集进行分类。不过什么是knn呢，什么是K-Nearest Neighbors，直观翻译就是k个最近的邻居。

K-Nearest Neighbors是一种监督学习算法，为了预测未知数据的类别，它考虑了k个最近数据点的类别，并选择k个最近数据点中的大多数属于的那个类别作为预测类别。

这是KNN的直观表示

在这种情况下，我们有 A 类和 B 类的数据点。我们想预测星（测试数据点）是什么。 如果我们考虑 k 值为 3（3 个最近的数据点），我们将获得 B 类的预测。然而，如果我们考虑 k 值为 6，我们将获得 A 类的预测。

从这个意义上说，重要的是要考虑 k 的值。 希望从这张图中，您应该了解什么是 K-Nearest Neighbors 算法。 它在预测测试点的分类时会考虑“K”个最近邻（数据点）。

安装sklearn以及导入包

!pip install scikit-learn==0.23.1

导入需要的包

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from sklearn import preprocessing
%matplotlib inline

想象一下，一家电信供应商已经按照服务使用模式对其客户群进行了细分，将客户分为四组。 如果人口统计数据可用于预测团体成员，公司可以为个别潜在客户定制优惠。 这是一个分类问题。 也就是说，给定具有预定义标签的数据集，我们需要建立一个模型来预测新案例或未知案例的类别。

这个例子侧重于使用人口统计数据（例如地区、年龄和婚姻）来预测。

名为 custcat 的目标字段有四个可能的值，对应于四个客户组，如下所示：

1- Basic Service
2- E-Service
3- Plus Service
4- Total Service

我们的目标是建立一个分类器，来预测未知案例的类别。 我们就将使用这次的knn来分类。

下载数据

https://cf-courses-data.s3.us.cloud-object-storage.appdomain.cloud/IBMDeveloperSkillsNetwork-ML0101EN-SkillsNetwork/labs/Module%203/data/teleCust1000t.csv

df = pd.read_csv('teleCust1000t.csv')
df.head()

让我们看看数据集中每个类别有多少

df['custcat'].value_counts()

3    281
1    266
4    236
2    217
Name: custcat, dtype: int64

281 Plus Service, 266 Basic-service, 236 Total Service, and 217 E-Service customers

我们也可以画一个分布直方图来可视化一下

df.hist(column='income', bins=50)

​
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NMbqQmvn-1660611613546)(output_20_1.png)]
​

特征集合

我们来定义特征集合, X:

df.columns

Index(['region', 'tenure', 'age', 'marital', 'address', 'income', 'ed',
       'employ', 'retire', 'gender', 'reside', 'custcat'],
      dtype='object')

要使用 scikit-learn 库，我们必须将 Pandas 数据框转换为 Numpy 数组：

X = df[['region', 'tenure','age', 'marital', 'address', 'income', 'ed', 'employ','retire', 'gender', 'reside']] .values  #.astype(float)
X[0:5]

array([[  2.,  13.,  44.,   1.,   9.,  64.,   4.,   5.,   0.,   0.,   2.],
       [  3.,  11.,  33.,   1.,   7., 136.,   5.,   5.,   0.,   0.,   6.],
       [  3.,  68.,  52.,   1.,  24., 116.,   1.,  29.,   0.,   1.,   2.],
       [  2.,  33.,  33.,   0.,  12.,  33.,   2.,   0.,   0.,   1.,   1.],
       [  2.,  23.,  30.,   1.,   9.,  30.,   1.,   2.,   0.,   0.,   4.]])

再来看看我们的标签

y = df['custcat'].values
y[0:5]

array([1, 4, 3, 1, 3], dtype=int64)

标准化数据

数据标准化，就是让数据变成均值为0，方差为1。这个做法很好，特别是对于基于数据点距离的knn算法。

X = preprocessing.StandardScaler().fit(X).transform(X.astype(float))
X[0:5]

array([[-0.02696767, -1.055125  ,  0.18450456,  1.0100505 , -0.25303431,
        -0.12650641,  1.0877526 , -0.5941226 , -0.22207644, -1.03459817,
        -0.23065004],
       [ 1.19883553, -1.14880563, -0.69181243,  1.0100505 , -0.4514148 ,
         0.54644972,  1.9062271 , -0.5941226 , -0.22207644, -1.03459817,
         2.55666158],
       [ 1.19883553,  1.52109247,  0.82182601,  1.0100505 ,  1.23481934,
         0.35951747, -1.36767088,  1.78752803, -0.22207644,  0.96655883,
        -0.23065004],
       [-0.02696767, -0.11831864, -0.69181243, -0.9900495 ,  0.04453642,
        -0.41625141, -0.54919639, -1.09029981, -0.22207644,  0.96655883,
        -0.92747794],
       [-0.02696767, -0.58672182, -0.93080797,  1.0100505 , -0.25303431,
        -0.44429125, -1.36767088, -0.89182893, -0.22207644, -1.03459817,
         1.16300577]])

训练/测试集分割

Out of Sample Accuracy 是模型对模型未经过训练的数据做出的正确预测的百分比。 由于我们的模型过度拟合的可能性，在同一数据集上进行训练和测试很可能具有较低的样本外准确度。

重要的是，我们的模型具有较高的样本外准确度，因为任何模型的目的当然是对未知数据做出正确的预测。 那么我们如何提高样本外的准确性呢？ 一种方法是使用一种称为训练/测试拆分的评估方法。

训练/测试拆分涉及将数据集分别拆分为互斥的训练集和测试集。 之后，您使用训练集进行训练并使用测试集进行测试。

这将对样本外准确性提供更准确的评估，因为测试数据集不是用于训练模型的数据集的一部分。 对于现实世界的问题，它更精准一些。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=4)
print ('Train set:', X_train.shape,  y_train.shape)
print ('Test set:', X_test.shape,  y_test.shape)

Train set: (800, 11) (800,)
Test set: (200, 11) (200,)

K nearest neighbor (KNN)

导入包

分类器实现 k 近邻投票。

from sklearn.neighbors import KNeighborsClassifier

训练

我们首先看看k的4的时候的情形：

k = 4
#Train Model and Predict  
neigh = KNeighborsClassifier(n_neighbors = k).fit(X_train,y_train)
neigh

KNeighborsClassifier(n_neighbors=4)

预测

我们可以用训练出来的模型在测试集上进行预测：

yhat = neigh.predict(X_test)
yhat[0:5]

array([1, 1, 3, 2, 4], dtype=int64)

准确性评估

在多标签分类中，accuracy classification score（准确度分类得分）是计算子集准确度的函数。 此函数等同于 jaccard_score 函数。 本质上，它计算测试集中实际标签和预测标签的匹配程度。

from sklearn import metrics
print("Train set Accuracy: ", metrics.accuracy_score(y_train, neigh.predict(X_train)))
print("Test set Accuracy: ", metrics.accuracy_score(y_test, yhat))

Train set Accuracy:  0.5475
Test set Accuracy:  0.32

进一步练习

这次我们把k改成10。

# write your code here
k = 10
neigh10 = KNeighborsClassifier(n_neighbors = k).fit(X_train,y_train)
yhat10 = neigh10.predict(X_test)
print("Train set Accuracy: ", metrics.accuracy_score(y_train, neigh10.predict(X_train)))
print("Test set Accuracy: ", metrics.accuracy_score(y_test, yhat10))

Train set Accuracy:  0.4875
Test set Accuracy:  0.33

那其他的k呢?

KNN 中的 K 是要检查的最近邻的数量。 由用户指定，是最重要的参数。 那么，我们如何才能为 K 选择正确的值呢？
一般的解决方案是保留一部分数据用于测试模型的准确性。 然后选择k = 1，使用训练部分进行建模，并使用测试集中的所有样本计算预测的准确性。 重复这个过程，增加 k，看看哪个 k 最适合我们的模型。

我们可以计算 KNN 对不同 k 值的准确度。

Ks = 10
mean_acc = np.zeros((Ks-1))
std_acc = np.zeros((Ks-1))

for n in range(1,Ks):
    
    #Train Model and Predict  
    neigh = KNeighborsClassifier(n_neighbors = n).fit(X_train,y_train)
    yhat=neigh.predict(X_test)
    mean_acc[n-1] = metrics.accuracy_score(y_test, yhat)

    
    std_acc[n-1]=np.std(yhat==y_test)/np.sqrt(yhat.shape[0])

mean_acc

array([0.3  , 0.29 , 0.315, 0.32 , 0.315, 0.31 , 0.335, 0.325, 0.34 ])

绘制不同k的knn模型的准确性的图.

plt.plot(range(1,Ks),mean_acc,'g')
plt.fill_between(range(1,Ks),mean_acc - 1 * std_acc,mean_acc + 1 * std_acc, alpha=0.10)
plt.fill_between(range(1,Ks),mean_acc - 3 * std_acc,mean_acc + 3 * std_acc, alpha=0.10,color="green")
plt.legend(('Accuracy ', '+/- 1xstd','+/- 3xstd'))
plt.ylabel('Accuracy ')
plt.xlabel('Number of Neighbors (K)')
plt.tight_layout()
plt.show()

​
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-juwWjGc7-1660611613548)(output_50_0.png)]
​

print( "The best accuracy was with", mean_acc.max(), "with k=", mean_acc.argmax()+1) 

The best accuracy was with 0.34 with k= 9

谢谢大家的观看。