微信网站如何制作,哪些网站可以做直播,网站制作的论文,网站域名 空间 是每年都要缴费吗什么是K-近邻算法#xff08;K Nearest Neighbors#xff09;
1、K-近邻算法(KNN)
1.1 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个类别#xff0c;则该样本也属于这个类别。 来源#xff1a;KNN算法最早是由Cover和Hart提…什么是K-近邻算法K Nearest Neighbors
1、K-近邻算法(KNN)
1.1 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个类别则该样本也属于这个类别。 来源KNN算法最早是由Cover和Hart提出的一种分类算法 1.2 距离公式
两个样本的距离可以通过如下公式计算又叫欧式距离
距离公式 KNN核心思想 你的“邻居”来推断出你的类别
计算距离 距离公式 欧氏距离曼哈顿距离 绝对值距离明可夫斯基距离
2、电影类型分析
假设我们有现在几部电影 其中 7号电影不知道类别如何去预测我们可以利用K近邻算法的思想 下方是根据欧氏距离计算结果 K值是重要影响元素 当我们看如果k1假如只有第二行一个”邻居“那么就计算的距离误差就比较大样本量过少 如果k7也就是再多一行数据假设是“封神榜”那么也就是说邻近的算法中动作片的类占多数那么我们就会将位置的那行数据预测为动作片但是实际位置那行数据的接吻镜头是比较多的应该是个爱情片所以预测也是错误的 总结 k 值取得过小容易受到异常点的影响k 值取得过大样本不均衡的影响
3、K-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors5,algorithm‘auto’) n_neighborsint,可选默认 5k_neighbors查询默认使用的邻居数algorithm{‘auto’‘ball_tree’‘kd_tree’‘brute’}可选用于计算最近邻居的算法‘ball_tree’将会使用 BallTree‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
4、代码鸢尾花案例
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
用KNN算法对鸢尾花进行分类
:return:# 1获取数据
iris load_iris()
# print(iris)
# print(iris.target_names)
# print(iris.DESCR)# 2划分数据集
x_train, x_test, y_train, y_test train_test_split(iris.data, iris.target, test_size0.3, random_state22)# 3特征工程标准化
transfer StandardScaler()
x_train transfer.fit_transform(x_train)
x_test transfer.transform(x_test)# 4KNN算法预估器
estimator KNeighborsClassifier(n_neighbors3, algorithmauto)
estimator.fit(x_train, y_train)# 5模型评估
# 方法1直接比对真实值和预测值
y_predict estimator.predict(x_test)
print(y_predict:\n, y_predict)
print(直接比对真实值和预测值:\n, y_test y_predict)# 方法2计算准确率
score estimator.score(x_test, y_test)
print(准确率为\n, score)那么说来说去“邻居的数量” K 到底怎么取呢 这就涉及到模型的选择与调优了
5、为什么需要交叉验证
交叉验证目的为了让被评估的模型更加准确可信
6、什么是交叉验证(cross validation)
交叉验证将拿到的训练数据分为训练和验证集。以下图为例将数据分成4份其中一份作为验证集。然后经过4次(组)的测试每次都更换不同的验证集。即得到4组模型的结果取平均值作为最终结果。又称4折交叉验证。 训练集训练集验证集测试集测试集 问题那么这个只是对于参数得出更好的结果那么怎么选择或者调优参数呢
7、超参数搜索-网格搜索(Grid Search)
通常情况下有很多参数是需要手动指定的如k-近邻算法中的K值这种叫超参数。但是手动过程繁杂网格搜索帮我们实现了这个调参过程首先需要对模型预设几种超参数组合每组超参数都采用交叉验证来进行评估最后选出最优参数组合建立模型。
7.1、模型选择与调优 API
sklearn.model_selection.GridSearchCV(estimator, param_gridNone,cvNone) 对估计器的指定参数值进行详尽搜索estimator估计器对象param_grid估计器参数(dict){“n_neighbors”:[1,3,5]}cv指定几折交叉验证fit输入训练数据score准确率 结果分析 bestscore:在交叉验证中验证的最好结果_bestestimator最好的参数模型cvresults:每次交叉验证后的验证集准确率结果和训练集准确率结果
7.1、网格搜索与交叉验证代码
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
用KNN算法对鸢尾花进行分类添加网格搜索和交叉验证
:return:# 1获取数据
iris load_iris()# 2划分数据集
x_train, x_test, y_train, y_test train_test_split(iris.data, iris.target, test_size0.3, random_state22)# 3特征工程标准化
transfer StandardScaler()
x_train transfer.fit_transform(x_train)
x_test transfer.transform(x_test)# 4KNN算法预估器
estimator KNeighborsClassifier()# 加入网格搜索与交叉验证
# 参数准备
param_dict {n_neighbors: [1, 2, 3, 4, 5, 6, 7, 8, 9, 11]}
estimator GridSearchCV(estimator, param_gridparam_dict, cv10)
estimator.fit(x_train, y_train)# 5模型评估
# 方法1直接比对真实值和预测值
y_predict estimator.predict(x_test)
print(y_predict:\n, y_predict)
print(直接比对真实值和预测值:\n, y_test y_predict)# 方法2计算准确率
score estimator.score(x_test, y_test)
print(准确率为\n, score)# 最佳参数best_params_
print(最佳参数\n, estimator.best_params_)
# 最佳结果best_score_
print(最佳结果\n, estimator.best_score_)
# 最佳估计器best_estimator_
print(最佳估计器:\n, estimator.best_estimator_)
# 交叉验证结果cv_results_
print(交叉验证结果:\n, estimator.cv_results_)8、facebook 签到位置预测 数据介绍将根据用户的位置准确性和时间戳预测用户正在查看的业务。train.csv row_id登记事件的IDxy坐标准确性定位准确性时间时间戳place_id业务的ID这是您预测的目标 官网https://www.kaggle.com/navoshta/grid-knn/data 8.1、流程分析
对于数据做一些基本处理这里所做的一些处理不一定达到很好的效果我们只是简单尝试有些特征我们可以根据一些特征选择的方式去做处理
1、缩小数据集范围 DataFrame.query()选择性处理 2、删除没用的日期数据 DataFrame.drop可以选择保留 3、将签到位置少于n个用户的删除
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)]4、分割数据集 5、标准化处理 6、k-近邻预测
8.2、代码
import pandas as pd
# 1、获取数据
data pd.read_csv(train.csv)
data.head()# 1处理时间特征
time_value pd.to_datetime(data[time], units)
date pd.DatetimeIndex(time_value)
data[day] date.day
data[weekday] date.weekday
data[hour] date.hour
data.head()# 2过滤签到次数少的地点
place_count data.groupby(place_id).count()[row_id]
data_final data[data[place_id].isin(place_count[place_count 3].index.values)]
data_final.head()# 筛选特征值和目标值
x data_final[[x, y, accuracy, day, weekday, hour]]
y data_final[place_id]# 数据集划分
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test train_test_split(x, y)
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV# 3特征工程标准化
transfer StandardScaler()
x_train transfer.fit_transform(x_train)
x_test transfer.transform(x_test)# 4KNN算法预估器
estimator KNeighborsClassifier()# 加入网格搜索与交叉验证
# 参数准备
param_dict {n_neighbors: [3, 5, 7, 9]}
estimator GridSearchCV(estimator, param_gridparam_dict, cv3)
estimator.fit(x_train, y_train)# 5模型评估
# 方法1直接比对真实值和预测值
y_predict estimator.predict(x_test)
print(y_predict:\n, y_predict)
print(直接比对真实值和预测值:\n, y_test y_predict)# 方法2计算准确率
score estimator.score(x_test, y_test)
print(准确率为\n, score)# 最佳参数best_params_
print(最佳参数\n, estimator.best_params_)
# 最佳结果best_score_
print(最佳结果\n, estimator.best_score_)
# 最佳估计器best_estimator_
print(最佳估计器:\n, estimator.best_estimator_)
# 交叉验证结果cv_results_
print(交叉验证结果:\n, estimator.cv_results_)这个结果数据量比较大毕竟两千万训练数据了各位可自行试验及调参
