机器学习入门（五）：KNN概述 | K 近邻算法 API，K值选择问题

1. K 近邻算法 API

K近邻（K-Nearest Neighbors, KNN）算法作为一种基础且广泛应用的机器学习技术，其API的重要性不言而喻。它提供了快速、直接的方式来执行基于实例的学习，通过查找与待分类样本最邻近的K个样本，并基于这些邻近样本的类别来预测新样本的类别。KNN API的标准化和易用性，使得数据分析师和开发者能够轻松集成该算法到他们的项目中，无需深入算法细节，即可享受其强大的分类与回归能力。此外，KNN API通常还包含参数调整功能，如K值选择、距离度量方法等，使得用户可以根据具体需求优化算法性能，进一步凸显了其在机器学习实践中的不可或缺性。

学习目标

1. 掌握sklearn中K近邻算法API的使用方法
   

1.1 Sklearn API介绍

本小节使用 scikit-learn 的 KNN API 来完成对鸢尾花数据集的预测.

• API介绍
  

1.2 鸢尾花分类示例代码

鸢尾花数据集

鸢尾花Iris Dataset数据集是机器学习领域经典数据集，鸢尾花数据集包含了150条鸢尾花信息，每50条取自三个鸢尾花中之一：Versicolour、Setosa和Virginica

每个花的特征用如下属性描述：

示例代码:

from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
if __name__ == '__main__':
    # 1. 加载数据集  
    iris = load_iris() #通过iris.data 获取数据集中的特征值  iris.target获取目标值
    # 2. 数据标准化
    transformer = StandardScaler()
    x_ = transformer.fit_transform(iris.data) # iris.data 数据的特征值
    # 3. 模型训练
    estimator = KNeighborsClassifier(n_neighbors=3) # n_neighbors 邻居的数量，也就是Knn中的K值
    estimator.fit(x_, iris.target) # 调用fit方法 传入特征和目标进行模型训练
    # 4. 利用模型预测
    result = estimator.predict(x_) 
    print(result)

1.3 小结

1、sklearn中K近邻算法的对象：

from sklearn.neighbors import KNeighborsClassifier
estimator = KNeighborsClassifier(n_neighbors=3)  # K的取值通过n_neighbors传递

2、sklearn中大多数算法模型训练的API都是同一个套路

estimator = KNeighborsClassifier(n_neighbors=3) # 创建算法模型对象
estimator.fit(x_, iris.target)  # 调用fit方法训练模型
estimator.predict(x_)           # 用训练好的模型进行预测

3、sklearn中自带了几个学习数据集

• 都封装在sklearn.datasets 这个包中
  
• 加载数据后，通过data属性可以获取特征值，通过target属性可以获取目标值， 通过DESCR属性可以获取数据集的描述信息
  

2. K 值选择问题

K值选择问题是K近邻算法中的关键，它直接影响到算法的准确性与效率。在平衡“过拟合”与“欠拟合”需要注意：K值过小可能导致模型复杂，对新样本敏感，易于过拟合；K值过大则可能平滑类边界，忽视邻近样本的细节，造成欠拟合。因此，合理选取K值是确保K近邻算法性能的重要步骤。

学习目标

1. 了解 K 值大小的影响
   
2. 掌握 GridSearchCV 的使用
   

2.1 K取不同值时带来的影响

举例：

• 有两类不同的样本数据，分别用蓝颜色的小正方形和红色的小三角形表示，而图正中间有一个绿色的待判样本。
  
• 问题：如何给这个绿色的圆分类？是判断为蓝色的小正方形还是红色的小三角形？
  
• 方法：应用KNN找绿色的邻居，但一次性看多少个邻居呢（K取几合适）？
  

解决方案：

• K=4，绿色圆圈最近的4个邻居，3红色和1个蓝，按少数服从多数，判定绿色样本与红色三角形属于同一类别
  
• K=9，绿色圆圈最近的9个邻居，6红和3个蓝，判定绿色属于红色的三角形一类。
  

有时候出现K值选择困难的问题

KNN算法的关键是什么？

答案一定是K值的选择，下图中K=3，属于红色三角形，K=5属于蓝色的正方形。这个时候就是K选择困难的时候。

2.2 如何确定合适的K值

K值过小：容易受到异常点的影响

k值过大：受到样本均衡的问题

K=N（N为训练样本个数）：结果只取决于数据集中不同类别数量占比，得到的结果一定是占比高的类别，此时模型过于简单，忽略了训练实例中大量有用信息。

在实际应用中，K一般取一个较小的数值

我们可以采用交叉验证法（把训练数据再分成:训练集和验证集）来选择最优的K值。

2.3 GridSearchCV 的用法

使用 scikit-learn 提供的 GridSearchCV 工具, 配合交叉验证法可以搜索参数组合.

# 1. 加载数据集
x, y = load_iris(return_X_y=True)
# 2. 分割数据集
x_train, x_test, y_train, y_test = \
    train_test_split(x, y, test_size=0.2, stratify=y, random_state=0)
# 3. 创建网格搜索对象
estimator = KNeighborsClassifier()
param_grid = {'n_neighbors': [1, 3, 5, 7]}
estimator = GridSearchCV(estimator, param_grid=param_grid, cv=5, verbose=0)
estimator.fit(x_train, y_train)
# 4. 打印最优参数
print('最优参数组合:', estimator.best_params_, '最好得分:', estimator.best_score_)
# 4. 测试集评估模型
print('测试集准确率:', estimator.score(x_test, y_test))

2.4 小结

KNN 算法中K值过大、过小都不好， 一般会取一个较小的值

GridSearchCV 工具可以用来寻找最优的模型超参数，可以用来做KNN中K值的选择

K近邻算法的优缺点：

• 优点：简单，易于理解，容易实现
  
• 缺点：算法复杂度高，结果对K取值敏感，容易受数据分布影响+