Happyunlimited 2019-11-03
如果一个样本在特征空间中的k个最相似 (即特征空间中最邻近) 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
KNN算法最早是由Cover和Hart提出的一种分类算法
两个样本的距离可以通过如下公式计算,又叫欧氏距离,比如说
sklearn k-近邻算法API:
1. k值取多大?有什么影响?
k值取很小:容易受到异常点的影响
k值取很大:容易受最近数据太多导致比例变化
2. 性能问题
优点:
简单、易于理解,无需估计参数,无需训练
缺点:
懒惰算法,对测试样本分类时的计算量大,内存开销大
必须制定k值,k值选择不当则分类精度不能保证
使用场景:
小数据场景,几千~几万样本,具体场景具体业务去测试
kaggle官网,链接地址:https://www.kaggle.com/c/facebook-v-predicting-check-ins/data (需官网登录后下载)
1. 缩小数值范围: DataFrame.query(),因为数据量过大,所以获取部分数据
2. 处理日期数据: pd.to_datetime() 、pd.DatetimeIndex(),两个pandas库的接口
3. 增加分割的日期数据: 把源数据里面的时间戳数据转换分割后,添加为新列,day、hour等
4. 删除没用的数据: pd.drop() ,pandas库的接口
5. 将签到位置少于n个用户的数据删除,一些pandas库知识:
place_count = data.groupby(‘place_id‘).aggregate(np.count_nonzero)
tf = place_count[place_count.row_id>3].rest_index()
data = data[data[‘place_id‘].isin(tf.place_id)]
1. 数据集的处理
2. 分割数据集
3. 对数据集进行表转化
4. estimator流程进行分类预测
import os import pandas as pd from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.preprocessing import StandardScaler def knn_cls(): """K-近邻算法预测用户签到的位置""" # 一、读取数据 fb_location = os.path.join(os.path.join(os.path.curdir, ‘data‘), ‘fb_location‘) data = pd.read_csv(os.path.join(fb_location, ‘train.csv‘)) # print(data.head(10)) # 二、处理数据 # 1.缩小数据,查询数据筛选 data = data.query(‘x>1.0 & x<1.25 & y>2.5 & y<2.75‘) # 2.处理时间的数据 time_value = pd.to_datetime(data[‘time‘], unit=‘s‘) # 精确到秒 # print(time_value) # 3.把日期格式转化为字典格式 time_value = pd.DatetimeIndex(time_value) # 4.构造一些特征 data.loc[:,‘day‘] = time_value.day data.loc[:,‘hour‘] = time_value.hour data.loc[:,‘weekday‘] = time_value.weekday # 5.把时间戳特征删除 data.drop([‘time‘], axis=1, inplace=True) # print(data) # 6.把签到数量小于n个目标位置删除 place_count = data.groupby(‘place_id‘).count() tf = place_count[place_count.row_id>3].reset_index() data = data[data[‘place_id‘].isin(tf.place_id)] # 7.取出特征值和目标值 y = data[‘place_id‘] x = data.drop([‘place_id‘, ‘row_id‘], axis=1) # 8.进行数据的分割,训练集和测试集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25) # 三、特征工程(标准化) std = StandardScaler() # 对测试集和训练集的特征值进行标准化 x_train = std.fit_transform(x_train) x_test = std.transform(x_test) # 这里用std.transform就不用fit去重新计算平均值标准差一类的了 # 四、进行算法流程 knn = KNeighborsClassifier(n_neighbors=9) # fit, predict, score knn.fit(x_train, y_train) # 四、得出预测结果和准确率 y_predict = knn.predict(x_test) print(‘预测的目标签到位置为:‘, y_predict) print(‘预测的准确率: ‘, knn.score(x_test, y_test)) if __name__ == ‘__main__‘: knn_cls()