本文介绍kNN算法，其通过计算不同特征值距离分类样本。以电影分类为例说明原理，还讲解用Numpy实现该算法的步骤，包括数据预处理、模型训练等，也提及超参数搜索函数，最后展示了用sklearn封装好的方法实现，以及相关笔记内容。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
原理介绍
简言之，kNN算法计算不同特征值之间的距离对样本进行分类。
OK，说完结论，懂的可以直接看代码部分了，如果不能理解的请听我娓娓道来~现在有这么一组数据
| 电影名称 | 打斗镜头 | 拥抱镜头 | 电影类型 |
|---|---|---|---|
| 谍影重重 | 57 | 2 | 动作片 |
| 叶问3 | 65 | 2 | 动作片 |
| 我的特工爷爷 | 21 | 4 | 动作片 |
| 奔爱 | 4 | 46 | 爱情片 |
| 夜孔雀 | 8 | 39 | 爱情片 |
| 代理情人 | 2 | 38 | 爱情片 |
| 这个杀手不太冷 | 49 | 6 | ？ |
上面6个样本（电影）分别给出其特征（打斗镜头、拥抱镜头）和标签（电影类型）信息，现在给定一个新的样本，我们想知道这部电影的类型。由于是2维数据，我们可以用平面直角坐标系表示。
绿色的点是未知的，红色的黄色的点是已知的。kNN要做的就是计算未知的点到所有已知点的距离，根据距离进行排序。
D谍影重重=(49−57)2+(6−2)2≈8.94
D叶问3=(49−65)2+(6−2)2≈16.49
D我的特工爷爷=(49−21)2+(6−4)2≈28.07
D奔爱=(49−4)2+(6−46)2≈60.21
D夜孔雀=(49−8)2+(6−39)2≈52.63
D代理情人=(49−2)2+(6−38)2≈56.86
排序后的数据如下，
| 电影名称 | 与未知电影距离 |
|---|---|
| 谍影重重 | 8.94 |
| 叶问3 | 16.49 |
| 我的特工爷爷 | 28.07 |
| 夜孔雀 | 52.63 |
| 代理情人 | 56.86 |
| 奔爱 | 60.21 |
我们在kNN算法中经常会听到说当k=3时、当k=5时...这里的k指的就是样本数。在这个例子中，当k=3时，前三个样本出现最多的电影类型是动作片，因此《这个杀手不太冷》样本也应该归为动作片。同样的，当k=5时，前5个样本出现最多的电影类型也是动作片（53>52），因此样本也属于动作片。
上面提到的是2维数据，但是我们现实中处理的样本可能有3个甚至更多特征，我们无法用视觉来抽象这些特征，但是计算方法还是一样的，只不过根号里做差的数变多了而已。
代码实现——Numpy
机器学习算法的一般流程可以归为三步。
- 数据预处理
- 加载数据
- 交叉验证
- 归一化
- 模型训练
- 模型验证
机器学习的任务就是从海量数据中找到有价值的信息， 所以在使用算法之前，我们要对数据进行预处理。
Python精要参考 pdf版
下载
这本书给出了一份关于python这门优美语言的精要的参考。作者通过一个完整而清晰的入门指引将你带入python的乐园，随后在语法、类型和对象、运算符与表达式、控制流函数与函数编程、类及面向对象编程、模块和包、输入输出、执行环境等多方面给出了详尽的讲解。如果你想加入 python的世界，David M beazley的这本书可不要错过哦。 (封面是最新英文版的,中文版貌似只译到第二版)
In [17]
# 1. 加载莺尾花数据集from sklearn import datasets iris = datasets.load_iris() X = iris.data y = iris.target
如果我们查看y标签信息会发现，它的前50个值为0，51—100的值为1，后50个值为2，如果直接交叉验证，取到的测试集数据可能都是label值为2的样本，这并不是我们想要的。所以在这之前，我们需要先对样本打乱顺序。zip()能将可迭代的对象打包成元组，利用 * 操作符可以将元组解压为列表。
In [18]
# 2. 实现交叉验证import numpy as npdef train_test_split(X, y, ratio=0.3):
# 乱序
data = list(zip(X, y))
np.random.shuffle(data)
X, y = zip(*data) # 切割
boundary_X = int((1-ratio) * len(X))
boundary_y = int((1-ratio) * len(y)) # 将boundary_X和boundary_y之前的作为训练集
x_train = np.array(X[: boundary_X])
x_test = np.array(X[boundary_X:])
y_train = np.array(y[: boundary_y])
y_test = np.array(y[boundary_y:]) return x_train, x_test, y_train, y_test
x_train, x_test, y_train, y_test = train_test_split(X, y)
归一化主要有两种形式：0-1均匀分布和标准正态分布。
In [19]
# 3. 归一化def normalization(data):
return (data - data.min()) / (data.max() - data.min())
def standardization(data):
return (data - data.mean()) / data.std()
x_train = standardization(x_train)
x_test = standardization(x_test)
kNN的“模型训练”有点不同于一般的模型训练过程，它们可能需要求一些参数，而kNN是计算未知点到已知点的距离。从严格意义上来说，这并不算是训练。
In [20]
# 4. 距离计算from collections import Counterclass KNNClassifier:
def __init__(self, k):
self._k = k
self._X_train = None
self._y_train = None
def fit(self, X_train, y_train):
self._X_train = X_train
self._y_train = y_train # 预测X_predict样本的分类结果，这里的X_predict用的是交叉验证中的测试集
def predict(self, X_predict):
return np.array([self._predict(x) for x in X_predict]) def _predict(self, x):
# 计算输入样本_X_train到所有已知数据的距离
distances = np.sqrt(np.sum((self._X_train - x)**2, axis=1)) # 记录distances中前k个小的数对应的类别的出现次数
votes = Counter(self._y_train[np.argpartition(distances, self._k)[: self._k]]) # most_common(n)可以打印n个出现最多次元素的值和次数
predict_y = votes.most_common(1)[0][0] return predict_y # 计算准确率
def score(self, X_test, label):
y_predict = self.predict(X_test)
n_sample = len(label)
right_sample = 0
for i, e in enumerate(label): if y_predict[i] == e:
right_sample += 1
return right_sample / n_sample
knn = KNNClassifier(k=3)
knn.fit(x_train, y_train)
knn.score(x_test, y_test)
0.9555555555555556
超参数搜索函数
kNN的参数不止是k，距离模式distype也是它的参数。对于k和distype这两种参数的组合，可能会有很多不同的结果，不妨设计一个超参数搜索函数来优化k和distype。
In [21]
class KNNClassifierSuper(KNNClassifier):
def __init__(self, k, distype):
super().__init__(k)
self.distype = distype def _predict(self, x):
assert self.distype in ["1", "2", "3"], "Error distance type!"
if self.distype == "1":
distances = np.sum(abs(self._X_train - x), axis=1) elif self.distype == "2":
distances = np.sqrt(np.sum((self._X_train - x)**2, axis=1)) else:
distances = np.max(abs(self._X_train - x), axis=1)
votes = Counter(self._y_train[np.argpartition(distances, self._k)[: self._k]])
predict_y = votes.most_common(1)[0][0] return predict_y# ManhattanDistance —— "1"# EuclideanDistance —— "2"# ChebyshevDistance —— "3"for k in range(3, 15, 2): for distype in range(1, 4):
knn = KNNClassifierSuper(k, str(distype))
knn.fit(x_train, y_train) print("k = {}\tdistype = {}\tscore = {}".format(
k, distype, knn.score(x_test, y_test)))
k = 3 distype = 1 score = 0.9555555555555556 k = 3 distype = 2 score = 0.9555555555555556 k = 3 distype = 3 score = 0.9777777777777777 k = 5 distype = 1 score = 0.9777777777777777 k = 5 distype = 2 score = 0.9777777777777777 k = 5 distype = 3 score = 0.9777777777777777 k = 7 distype = 1 score = 0.9777777777777777 k = 7 distype = 2 score = 0.9777777777777777 k = 7 distype = 3 score = 1.0 k = 9 distype = 1 score = 0.9555555555555556 k = 9 distype = 2 score = 0.9777777777777777 k = 9 distype = 3 score = 1.0 k = 11 distype = 1 score = 0.9777777777777777 k = 11 distype = 2 score = 0.9555555555555556 k = 11 distype = 3 score = 0.9777777777777777 k = 13 distype = 1 score = 0.9777777777777777 k = 13 distype = 2 score = 1.0 k = 13 distype = 3 score = 0.9333333333333333
代码实现——sklearn
上面我们用Numpy实现了交叉验证、归一化、距离计算等方法，这些在sklearn中都已经为我们封装好了。
In [31]
from sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn import preprocessingfrom sklearn.neighbors import KNeighborsClassifier# 加载莺尾花数据iris = datasets.load_iris()
X, y = iris.data, iris.target# 交叉验证x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.4)# 归一化x_train = preprocessing.scale(x_train)
x_test = preprocessing.scale(x_test)# 距离计算 + 超参数搜索函数# p = 1 manhattan_distance # p = 2 euclidean_distance# arbitrary p minkowski_distance for k in range(3, 14, 2): for p in range(1, 5):
knn = KNeighborsClassifier(n_neighbors=k, p=p)
knn.fit(x_train, y_train) print("k = {}\tp = {}\tscore = {}".format(
k, p, knn.score(x_test, y_test)))
k = 3 p = 1 score = 0.9666666666666667 k = 3 p = 2 score = 0.9833333333333333 k = 3 p = 3 score = 0.9666666666666667 k = 3 p = 4 score = 0.9666666666666667 k = 5 p = 1 score = 0.9666666666666667 k = 5 p = 2 score = 0.9833333333333333 k = 5 p = 3 score = 0.9833333333333333 k = 5 p = 4 score = 0.9833333333333333 k = 7 p = 1 score = 0.9833333333333333 k = 7 p = 2 score = 0.9833333333333333 k = 7 p = 3 score = 0.9833333333333333 k = 7 p = 4 score = 0.9833333333333333 k = 9 p = 1 score = 0.9666666666666667 k = 9 p = 2 score = 0.95 k = 9 p = 3 score = 0.9666666666666667 k = 9 p = 4 score = 0.9666666666666667 k = 11 p = 1 score = 0.9666666666666667 k = 11 p = 2 score = 0.95 k = 11 p = 3 score = 0.9333333333333333 k = 11 p = 4 score = 0.9333333333333333 k = 13 p = 1 score = 0.9666666666666667 k = 13 p = 2 score = 0.95 k = 13 p = 3 score = 0.9166666666666666 k = 13 p = 4 score = 0.9166666666666666
笔记
- ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()
ndarray计算的时候尽量用np的属性（np.sum()而不是sum）
- ValueError: kth(=3) out of bounds (1)
计算距离的时候np.sum()需要指定axis=1，不然会直接对多维数组进行sum得到一个数值，在np.argpartition会出错。
- np.sum()如果不指定axis是无法广播的，会直接返回数值
- axis一种较好的理解方式是把他看成消除器。对于shape为（2L, 3L, 4L）的数组arr，np.sum(arr, axis=0)会返回shape为（3L, 4L）的数组，np.sum(arr, axis=1) 会返回shape为（2L, 4L）的数组，np.sum(arr, axis=0)会返回shape为（2L, 3L）的数组。
