码迷,mamicode.com
首页 > 编程语言 > 详细

05_K-近邻算法

时间:2019-11-13 00:58:12      阅读:87      评论:0      收藏:0      [点我收藏+]

标签:www   datetime   思路   ref   drop   csv   之间   group   reset   

k-近邻算法

算法介绍

  1. 定义: 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类别,则该样本也属于这个类别。

  2. 计算距离公式:欧式距离 (两点之间距离)
    技术图片

  3. 需要做标准化处理,防止某一类特征值权重过大

  4. Sklearn API
    • sklearn.neighbors.KNeighborsClassifier
    • n 的取值会影响最终结果
      技术图片

算法实例 (Facebook Check in)

kaggle 案例网址

解决思路

  1. 分类:
    • 特征值: x,y 坐标, 定位准确性, 年,日,时,周
    • 目标值: 入住位置的id
  2. 处理: 0<x<10 0<y<10
    • 由于数据量大,节省时间,x,y 缩小
    • 时间戳进行(年,月,日,周,时分秒), 当做新特征
    • 少于指定签到人数的位置删除
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
import pandas as pd


def knncls():
    """
    K-近邻预测用户签到位置
    :return: None
    """
    # 读取数据
    data = pd.read_csv('./train.csv')
    # print(data.head(10))

    # 处理数据
    # 1.缩小数据
    data = data.query('x >1.0 & x < 1.25 & y > 2.5 & y < 2.75')

    # 2. 处理时间数据
    time_value = pd.to_datetime(data['time'], unit='s')
    # print(time_value)

    # 3. 构造一些特征, 把日期格式转换为字典格式
    time_value = pd.DatetimeIndex(time_value)
    data['day'] = time_value.day
    data['weekday'] = time_value.weekday
    data['hour'] = time_value.hour

    # 4.把时间戳特征删除
    data = data.drop(['time'],axis=1)
    # print(data)

    # 5.把签到数量少于n个的目标位置删除
    place_count = data.groupby('place_id').count() # 统计place_id次数,变成行索引
    tf = place_count[place_count.row_id > 3].reset_index() # row_id 具体次数,reset_index 把place_id生成新的一列
    data = data[data['place_id'].isin(tf.place_id)] # 筛选place_id
    # print(data)

    # 6.取出数据中的特征值和目标值
    y = data['place_id']
    x = data.drop(['place_id', 'row_id'], axis=1) # 去掉row_id 可以增加精度

    # 7.分割训练集和测试集
    x_train, x_test, y_train, y_text = train_test_split(x, y, test_size=0.25)

    # 8.特征工程(标准化)
    std = StandardScaler()
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)

    # 进行算法流程 fit, predict, score  #超参数
    knn = KNeighborsClassifier(n_neighbors=5)
    knn.fit(x_train, y_train)

    # 得出预测结果
    y_predict = knn.predict(x_test)
    print('预测的目标签到位置为:', y_predict)

    # 得出准确率
    print('预测的准确率为:', knn.score(x_test, y_text))
    return None


if __name__ == '__main__':
    knncls()

总结

问题

  1. k值取多大,有什么影响?
    • k值取很小:容易受异常点影响
    • k值取很大:容易受K值数量(类别)波动
  2. 性能问题

优缺点

  1. 优点: 简单,易于理解实现,无需估计参数,无需训练

  2. 缺点:
    • 懒惰算法,对测试样本分类时的计算量打,内存开销大
    • 必须指定K值,k值选择不当则分类精度不能保证
  3. 使用场景:小数据(几千~几万),基本不常用

05_K-近邻算法

标签:www   datetime   思路   ref   drop   csv   之间   group   reset   

原文地址:https://www.cnblogs.com/hp-lake/p/11846303.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!