首页 > 代码库 > 基于scikit-learn包实现机器学习之KNN(K近邻)-完整示例
基于scikit-learn包实现机器学习之KNN(K近邻)-完整示例
基于scikit-learn包实现机器学习之KNN(K近邻)
scikit-learn（简称sklearn）是目前最受欢迎，也是功能最强大的一个用于机器学习的Python库件。它广泛地支持各种分
类、聚类以及回归分析方法比如支持向量机、随机森林、DBSCAN等等，由于其强大的功能、优异的拓展性以及易用性，目
前受到了很多数据科学从业者的欢迎，也是业界相当著名的一个开源项目之一。
基于上一篇的k近邻原理讲解，我们这一片主要是利用相应的工具包实现机器学习，为了逐步掌握这样成功的工具包，我们
从简单的KNN开始入手，其中scikit-learn就是一个不错的选择。
sklearn的安装
首先我们需要安装sklearn这个库（由于您可以在我们的网页上进行所有的实验，所以您可以在之后再尝试在您的电脑上
安装sklearn）。sklearn是Python的扩展库，因此我们必须首先设置好Python运行环境。同时，由于sklearn基于Numpy和
Scipy这两个库，我们也要首先安装好它们。然后，我们便可以使用pip或conda来自动安装sklearn，具体方法如下：
# 安装sklearn之前必须先安装较新版本的Scipy与Numpy
# 使用pip安装sklearn：
pip install -U scikit-learn
# 使用conda安装sklearn：
conda install scikit-learn
安装好sklearn之后，我们便可以在Python脚本中使用来自sklearn中的各种数据、功能函数等等。
sklearn内置数据集
数据是机器学习的关键，在机器学习工作中我们需要花费大量的时间来采集和整理数据，合理且科学的数据是得到良好
机器学习效果的关键。一般而言，一个分类问题的机器学习过程需要用到四块数据内容，分别是：
- 训练数据，一般用
train来表示 - 训练数据的分类属性，一般用
target来表示 - 测试数据，一般用
test来表示 - 测试数据的真实分类属性，用于评估分类器性能，一般用
expected来表示
为了方便学习和测试机器学习中的各种内容，sklearn内置了各种有用的数据集，文本处理、图像识别等具有代表性的
问题的数据在sklearn中均有收集(对于初学者来说，不得不说很人性化)。
本文中所介绍的用于KNN的鸢尾花数据集同样可以在sklearn中的datasets模块中找到。
KNN算法实现
不多说，直接先上代码，后面再进行详解。
#-*-coding:utf-8 -*-
from sklearn import datasets #导入内置数据集模块
from sklearn.neighbors import KNeighborsClassifier #导入sklearn.neighbors模块中KNN类
import numpy as np
np.random.seed(0) #设置随机种子，不设置的话默认是按系统时间作为参数，因此每次调用随机模块时产生的随机数都不一样
#，设置后每次产生的一样
iris=datasets.load_iris() #导入鸢尾花的数据集，iris是一个类似于结构体的东西，内部有样本数据，如果是监督学习
# 还有标签数据
iris_x=iris.data #样本数据150*4二维数据，代表150个样本，每个样本4个属性分别为花瓣和花萼的长、宽
iris_y=iris.target #长150的以为数组，样本数据的标签
indices = np.random.permutation(len(iris_x)) #permutation接收一个数作为参数(150),产生一个0-149一维
#数组，只不过是随机打乱的，当然她也可以接收一个一维数组作
#为参数，结果是直接对这个数组打乱
iris_x_train = iris_x[indices[:-10]] #随机选取140个样本作为训练数据集
iris_y_train = iris_y[indices[:-10]] #并且选取这140个样本的标签作为训练数据集的标签
iris_x_test = iris_x[indices[-10:]] #剩下的10个样本作为测试数据集
iris_y_test = iris_y[indices[-10:]] #并且把剩下10个样本对应标签作为测试数据及的标签
knn = KNeighborsClassifier() #定义一个knn分类器对象
knn.fit(iris_x_train, iris_y_train) #调用该对象的训练方法，主要接收两个参数：训练数据集及其样本标签
iris_y_predict = knn.predict(iris_x_test) #调用该对象的测试方法，主要接收一个参数：测试数据集
probility=knn.predict_proba(iris_x_test) #计算各测试样本基于概率的预测
neighborpoint=knn.kneighbors(iris_x_test[-1],5,False)#计算与最后一个测试样本距离在最近的5个点，
#返回的是这些样本的序号组成的数组
score=knn.score(iris_x_test,iris_y_test,sample_weight=None) #调用该对象的打分方法，计算出准确率
print(‘iris_y_predict = ‘)
print(iris_y_predict) #输出测试的结果
print(‘iris_y_test = ‘)
print(iris_y_test) #输出原始测试数据集的正确标签，以方便对比
print ‘Accuracy:‘,score #输出准确率计算结果
print ‘neighborpoint of last test sample:‘,neighborpoint
print ‘probility:‘,probility
***********************************
结果输出：
iris_y_predict =
[1 2 1 0 0 0 2 1 2 0]
iris_y_test =
[1 1 1 0 0 0 2 1 2 0]
Accuracy: 0.9
neighborpoint of last test sample: [[ 75 41 96 78 123]]
probility: [[ 0. 1. 0. ]
[ 0. 0.4 0.6]
[ 0. 1. 0. ]
[ 1. 0. 0. ]
[ 1. 0. 0. ]
[ 1. 0. 0. ]
[ 0. 0. 1. ]
[ 0. 1. 0. ]
[ 0. 0. 1. ]
[ 1. 0. 0. ]]
基于此，KNN算法实现已经彻底完成了，当然，我们还是需要稍微再解读一下，上面所说的主要两个对象的方法，一个是fit()方法，一个是predict()
方法，我说的主要接受两个参数，并不是说只接受两个参数或者一个参数，而是说其他参数都有默认值，且是内部参数，这里我们稍微解读一下。
KNeighborsClassifier是一个类，它集成了其他的类NeighborsBase, KNeighborsMixin,SupervisedIntegerMixin, ClassifierMixin。这里我们暂
时不管它。主要看它的几个主要的方法。当然有的方法是其从父类那里集成过来的。
__init__() 初始化函数(构造函数) 它主要有一下几个参数：
n_neighbors=5 int 型参数 knn算法中指定以最近的几个最近邻样本具有投票权，默认参数为5
weights=‘uniform‘ str参数 即每个拥有投票权的样本是按什么比重投票，‘uniform‘表示等比重投票，‘distance‘表示按距离反比
投票，[callable]表示自己定义的一个函数，这个函数接收一个距离数组，返回一个权值数组。默认参
数为‘uniform’
algrithm=‘auto‘ str参数 即内部采用什么算法实现。有以下几种选择参数：‘ball_tree‘:球树、‘kd_tree‘:kd树、‘brute‘:暴力
搜索、‘auto‘:自动根据数据的类型和结构选择合适的算法。默认情况下是‘auto’。暴力搜索就不用说
了大家都知道。具体前两种树型数据结构哪种好视情况而定。KD树是对依次对K维坐标轴，以中值切
分构造的树,每一个节点是一个超矩形，在维数小于20时效率最高--可以参看《统计学习方法》第二章。
ball tree 是为了克服KD树高维失效而发明的，其构造过程是以质心C和半径r分割样本空间，每一个节
点是一个超球体。一般低维数据用kd_tree速度快，用ball_tree相对较慢。超过20维之后的高维数据用
kd_tree效果反而不佳，而ball_tree效果要好，具体构造过程及优劣势的理论大家有兴趣可以去具体学习。
leaf_size=30 int参数 基于以上介绍的算法，此参数给出了kd_tree或者ball_tree叶节点规模，叶节点的不同规模会影响数的构
造和搜索速度，同样会影响储树的内存的大小。具体最优规模是多少视情况而定。
matric=‘minkowski‘ str或者距离度量对象 即怎样度量距离。默认是闵氏距离，闵氏距离不是一种具体的距离度量方法，它可以说包括了其
他距离度量方式，是其他距离度量的推广，具体各种距离度量只是参数p的取值不同或者是否去极限的不同
情况，具体大家可以参考这里，讲的非常详细
p=2 int参数 就是以上闵氏距离各种不同的距离参数，默认为2，即欧氏距离。p=1代表曼哈顿距离等等
metric_params=None 距离度量函数的额外关键字参数，一般不用管，默认为None
n_jobs=1 int参数 指并行计算的线程数量，默认为1表示一个线程，为-1的话表示为CPU的内核数，也可以指定为其他数量的
线程，这里不是很追求速度的话不用管，需要用到的话去看看多线程。
fit() 训练函数，它是最主要的函数。接收参数只有1个，就是训练数据集，每一行是一个样本，每一列是一个属性。它返回对象本身，
即只是修改对象内部属性，因此直接调用就可以了，后面用该对象的预测函数取预测自然及用到了这个训练的结果。其实该函
数并不是KNeighborsClassifier这个类的方法，而是它的父类SupervisedIntegerMixin继承下来的方法。
predict() 预测函数 接收输入的数组类型测试样本，一般是二维数组，每一行是一个样本，每一列是一个属性
返回数组类型的预测结果，如果每个样本只有一个输出，则输出为一个一维数组。如果每个样本的输出是多维的，则输出二维
数组，每一行是一个样本，每一列是一维输出。
predict_prob() 基于概率的软判决，也是预测函数，只是并不是给出某一个样本的输出是哪一个值，而是给出该输出是各种可能值的概率各是多少
接收参数和上面一样
返回参数和上面类似，只是上面该是值的地方全部替换成概率，比如说输出结果又两种选择0或者1，上面的预测函数给出的是长
为n的一维数组，代表各样本一次的输出是0还是1.而如果用概率预测函数的话，返回的是n*2的二维数组，每一行代表一个样本，
每一行有两个数，分别是该样本输出为0的概率为多少，输出1的概率为多少。而各种可能的顺序是按字典顺序排列，比如先0后1，
或者其他情况等等都是按字典顺序排列。
score() 计算准确率的函数，接受参数有3个。 X:接收输入的数组类型测试样本，一般是二维数组，每一行是一个样本，每一列是一个属性。
y:X这些预测样本的真实标签，一维数组或者二维数组。sample_weight=None,是一个和X第一位一样长的各样本对准确率影响
的权重，一般默认为None.
输出为一个float型数，表示准确率。
内部计算是按照predict()函数计算的结果记性计算的。
其实该函数并不是KNeighborsClassifier这个类的方法，而是它的父类KNeighborsMixin继承下来的方法。
kneighbors() 计算某些测试样本的最近的几个近邻训练样本。接收3个参数。X=None：需要寻找最近邻的目标样本。n_neighbors=None,
表示需要寻找目标样本最近的几个最近邻样本，默认为None,需要调用时给出。return_distance=True:是否需要同时返回具
体的距离值。
返回最近邻的样本在训练样本中的序号。
其实该函数并不是KNeighborsClassifier这个类的方法，而是它的父类KNeighborsMixin继承下来的方法。
下面举一个简单例子让大家稍微看看，（其实上面的例子已经很具体形象了）：
Examples
--------
>>> X = [[0], [1], [2], [3]]
>>> y = [0, 0, 1, 1]
>>> from sklearn.neighbors import KNeighborsClassifier
>>> neigh = KNeighborsClassifier(n_neighbors=3)
>>> neigh.fit(X, y)
>>> print(neigh.predict([[1.1]]))
[0]
>>> print(neigh.predict_proba([[0.9]]))
[[ 0.66666667 0.33333333]]
以上讲解关于sklearn中的knn算法基本讲解完了，不知道大家是否学会了呢？以上部分除了sklearn背景介绍，后面的部分
为原创，希望大家共同学习共同进步，后续会继续更新sklearn的其他方法。
基于scikit-learn包实现机器学习之KNN(K近邻)-完整示例