当前位置：首页 > article >正文

【机器学习】K近邻算法

article 2024/12/26 1:59:00

算法引入：

KNN算法的核心思想

KNN算法的步骤

KNN常用的距离度量方法

KNN算法的优缺点

优点：

缺点：

K值的选择

KNN的C++实现

复杂度分析：

K近邻算法（K-Nearest Neighbors, KNN）是一种简单但非常实用的监督学习算法，主要用于分类和回归问题。KNN 基于相似性度量（如欧几里得距离）来进行预测，核心思想是给定一个样本，找到与其最接近的 K 个邻居，根据这些邻居的类别或特征对该样本进行分类或预测。

算法引入：

我们假设平面上有两类点的集合，一类属于A类，一类属于B类，A类有三个点，B类有三个点。如果我们要加入一个橙色的点，那么它是属于A类还是B类？

我们不去考虑算法的话，如果去归类A类还是B类，那么我们肯定想到的就是这个点它离哪个点最近，就属于哪一类。到这里就与我们的K近邻算法大概相同了，只不过我们要选取一个范围，在这个范围里找点进行判断，比如，我们选择它的邻域三个点，即K=3，那么这个区域里面有一个点属于A类，两个点属于B类，根据少数服从多数，我们就可以把它归于B类点。

K近邻算法有三个要素，如下图所示，第一个就是距离度量，这个距离有很多种距离，比如：欧几里得距离、曼哈顿距离、闵可夫斯基距离等。上面的例子中我们选择的欧几里得距离。第二个是K值，就是这个一个范围的的点个数，上面例子中，K=3。第三个是少数服从多数规则，上面例子中区域里面有一个点属于A类，两个点属于B类，根据少数服从多数，我们就可以把它归于B类点。

KNN算法的核心思想

1. 分类问题：
- 给定一个未标记的数据点，通过计算该数据点与已标记的训练数据集中的每一个数据点的距离，选择距离最近的 K 个邻居。
- 根据这 K 个邻居的类别，采用“多数投票”的方式来决定未标记数据点的类别。

2. 回归问题：
- 计算未标记数据点的 K 个最近邻居的值，然后取这些邻居的平均值或加权平均值作为该点的预测值。

KNN算法的步骤

1. 数据准备：准备好训练数据集，包括特征和标签（分类问题中为类别，回归问题中为数值）。
2. 选择K值：选择邻居的数量K，一般是正整数。
3. 计算距离：对每个未标记数据点，计算它与训练集中每一个数据点的距离（常见的距离度量方法有欧几里得距离、曼哈顿距离等）。
4. 选择K个最近邻居：根据距离从小到大排序，选择距离最近的K个邻居。
5. 投票或平均：分类问题中，根据K个邻居的类别进行投票选择类别；回归问题中，计算邻居的平均值作为预测结果。

KNN常用的距离度量方法

1. 欧几里得距离：

欧几里得距离是最常用的距离度量方法，适用于连续变量的情况。

2. 曼哈顿距离：

曼哈顿距离适用于某些特定场景，尤其是当特征值的变化范围不均匀时。

3. 闵可夫斯基距离：

闵可夫斯基距离是欧几里得距离和曼哈顿距离的推广形式，其中 p 是一个参数，当 p=2 时，便是欧几里得距离，当 p=1 时便是曼哈顿距离。

KNN算法的优缺点

优点：

1. 简单易理解：KNN算法实现简单，易于理解和解释。
2. 无参数模型：KNN不需要训练过程，可以直接使用数据进行预测。
3. 适用性广泛：KNN可以用于分类和回归问题，并且对非线性数据有较好的适应性。

缺点：

1. 计算复杂度高：KNN算法需要对每一个测试样本都计算与所有训练样本的距离，因此在大数据集下计算开销较大。
2. 内存开销大：KNN需要存储整个训练数据集，占用较大的存储空间。
3. 对噪声敏感：KNN对噪声数据较为敏感，特别是在K值较小的情况下，少量噪声数据可能会对结果产生很大影响。

K值的选择

- 小K值：K值较小时，模型会更加复杂，可能会过拟合。即使有少量噪声数据，也会对分类结果产生较大的影响。
- 大K值：K值较大时，模型会更加平滑，可能会欠拟合。K值过大会忽略数据的局部结构。

通常，K值通过交叉验证等方法来选择合适的值。

KNN的C++实现

下面是一个简单的KNN算法的C++实现，用于分类问题，采用欧几里得距离来计算邻居之间的距离。

#include <iostream>
#include <vector>
#include <cmath>
#include <algorithm>
using namespace std;

// 定义一个点，包含特征和标签
struct Point {
    vector<double> features;
    int label;
};

// 计算欧几里得距离
double euclideanDistance(const vector<double>& a, const vector<double>& b) {
    double distance = 0.0;
    for (int i = 0; i < a.size(); i++) {
        distance += pow(a[i] - b[i], 2);
    }
    return sqrt(distance);
}

// KNN算法实现
int knn(const vector<Point>& train_data, const vector<double>& test_point, int k) {
    vector<pair<double, int>> distances; // 距离和标签的对
    
    // 计算每个训练数据点到测试点的距离
    for (const auto& point : train_data) {
        double distance = euclideanDistance(point.features, test_point);
        distances.push_back({distance, point.label});
    }

    // 按距离排序
    sort(distances.begin(), distances.end());

    // 统计前k个最近邻的类别
    vector<int> label_count(100, 0); // 假设标签在0-99之间
    for (int i = 0; i < k; i++) {
        label_count[distances[i].second]++;
    }

    // 返回出现次数最多的类别
    int max_count = 0;
    int predicted_label = -1;
    for (int i = 0; i < label_count.size(); i++) {
        if (label_count[i] > max_count) {
            max_count = label_count[i];
            predicted_label = i;
        }
    }

    return predicted_label;
}

int main() {
    int n, m, k;
    cin >> n;//训练数据的个数
    cin >> m;//测试数据的维度
    cin >> k;
    
    // 输入训练数据
    vector<Point> train_data(n);
    for (int i = 0; i < n; i++) {
        train_data[i].features.resize(m);
        for (int j = 0; j < m; j++) {
            cin >> train_data[i].features[j];
        }
        cin >> train_data[i].label;
    }

    // 输入测试点
    vector<double> test_point(m);
    for (int j = 0; j < m; j++) {
        cin >> test_point[j];
    }

    // 使用KNN进行分类
    int predicted_label = knn(train_data, test_point, k);
    cout << predicted_label << endl;

    return 0;
}