统计学习方法 k 近邻算法(附简单模型代码)

雨点打透心脏的1/2处 2022-04-04 14:46 310阅读 0赞

### 1. k 近邻算法 ###

k近邻法（k-nearest neighbor， k-NN） 是一种**基本分类与回归**方法。  k近邻法的**输入为实例的特征向量， 对应于特征空间的点**； **输出为实例的类别**， 可以取多类。 **k近邻法假设给定一个训练数据集， 其中的实例类别已定。 分类时， 对新的实例， 根据其k个最近邻的训练实例的类别， 通过多数表决等方式进行预测**。因此， k近邻法不具有显式的学习过程。 k近邻法实际上利用训练数据集对特征向量空间进行划分， 并作为其分类的“模型”。 **k值的选择、 距离度量及分类决策规则**是k近邻法的三个基本要素。 k近邻法1968年由Cover和Hart提出。  
算法（k近邻法）  
输入： 训练数据集

![20181217211839167.png][]  
其中， xi∊x⊆Rn为实例的特征向量， yi∊ ＝\{c1， c2,…,cK\}为实例的类别， i＝1,2,…,N； 实例特征向量x；  
输出： 实例x所属的类y。  
（1） 根据给定的距离度量， 在训练集T中找出与x最邻近的k个点， 涵盖这k个点的x的邻域记作Nk(x)；  
（2） 在Nk(x)中根据分类决策规则（如多数表决） 决定x的类别y：

![20181217211909853.png][]  
上式中， I为指示函数， 即当yi＝cj时I为1， 否则I为0。  
k近邻法的特殊情况是k＝1的情形， 称为最近邻算法。 对于输入的实例点（特征向量） x， 最近邻法将训练数据集中与x最邻近点的类作为x的类。k近邻法没有显式的学习过程。

###    2. k 近邻模型 ###

k近邻法使用的模型实际上对应于对特征空间的划分。 模型由三个基本要素——**距离度量、 k值的选择和分类决策规则**决定。

特征空间中两个实例点的距离是两个实例点相似程度的反映。 k近邻模型的特征空间一般是n维实数向量空间Rn。 使用的距离是欧氏距离， 但也可以是其他距离， 如更一般的Lp距离（Lp distance） 或Minkowski距离（Minkowski distance） 。设特征空间x是n维实数向量空间Rn，![2018121721241948.png][]![20181217212433356.png][]xi,xj的Lp距离定义为：![20181217212549162.png][]这里p≥1。 当p＝2时， 称为欧氏距离(Euclidean distance)， 即  
![20181217212631803.png][]当p＝1时， 称为曼哈顿距离（Manhattan distance） ， 即  
  
![20181217212655191.png][]当p＝![20181217212734671.png][] 时， 它是各个坐标距离的最大值， 即![20181217212748697.png][]  
  
图3.2给出了二维空间中p取不同值时， 与原点的Lp距离为1（Lp＝1） 的点的图形。  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjM2Mzk5Nw_size_16_color_FFFFFF_t_70][]

k值的选择会对k近邻法的结果产生重大影响。  
**如果选择较小的k值， 就相当于用较小的邻域中的训练实例进行预测**， “学习”的**近似误差（approximation error） 会减小**， 只有与输入实例较近的（相似的） 训练实例才会对预测结果起作用。 但**缺点是“学习”的估计误差（estimation error） 会增大**， **预测结果会对近邻的实例点非常敏感**。 如果邻近的实例点恰巧是噪声， 预测就会出错。 换句话说， **k值的减小就意味着整体模型变得复杂， 容易发生过拟合**。  
**如果选择较大的k值， 就相当于用较大邻域中的训练实例进行预测**。 其**优点是可以减少学习的估计误差**。 但**缺点是学习的近似误差会增大**。 这时与输入实例较远的（不相似的） 训练实例也会对预测起作用， 使预测发生错误。 **k值的增大就意味着整体的模型变得简单**。  
k近邻法中的分类决策规则往往是多数表决， 即由输入实例的k个邻近的训练实例中的多数类决定输入实例的类。  
多数表决规则（majority voting rule） 有如下解释： 如果分类的损失函数为0-1损失函数， 分类函数为![20181217213547932.png][]那么误分类的概率是![20181217213610682.png][]。对给定的实例x∊x， 其最近邻的k个训练实例点构成集合Nk(x)。 如果涵盖Nk(x)的区域的类别是cj， 那么误分类率是![20181217213711935.png][]要使误分类率最小即经验风险最小， 就要使![20181217213751846.png][] 最大， 所以多数表决规则等价于经验风险最小化。

###    3. k 近邻法的实现： kd 树 ###

kd树是一种对k维空间中的**实例点进行存储以便对其进行快速检索的树形数据结构**。kd树是二叉树， 表示对k维空间的一个划分（partition） 。 **构造kd树相当于不断地用垂直于坐标轴的超平面将k维空间切分， 构成一系列的k维超矩形区域**。 kd树的每个结点对应于一个k维超矩形区域。  
**构造平衡kd树**  
输入： k维空间数据集T＝\{x1， x2,…,xN\}，  
其中 ， i＝1,2,…,N；  
输出： kd树。  
（1） 开始： 构造根结点， 根结点对应于包含T的k维空间的超矩形区域。  
选择x(1)为坐标轴， 以T中所有实例的x(1)坐标的中位数为切分点， 将根结点对应的超矩形区域切分为两个子区域。 切分由通过切分点并与坐标轴x(1)垂直的超平面实现。由根结点生成深度为1的左、 右子结点： 左子结点对应坐标x(1)小于切分点的子区域，右子结点对应于坐标x(1)大于切分点的子区域。将落在切分超平面上的实例点保存在根结点。  
（2） 重复： 对深度为j的结点， 选择x(l)为切分的坐标轴， l＝j(modk)+1， 以该结点的区域中所有实例的x(l)坐标的中位数为切分点， 将该结点对应的超矩形区域切分为两个子区域。 切分由通过切分点并与坐标轴x(l)垂直的超平面实现。由该结点生成深度为j+1的左、 右子结点： 左子结点对应坐标x(l)小于切分点的子区域， 右子结点对应坐标x(l)大于切分点的子区域。将落在切分超平面上的实例点保存在该结点。  
（3） 直到两个子区域没有实例存在时停止。 从而形成kd树的区域划分。  
代码：

\# kd-tree每个结点中主要包含的数据结构如下   
class KdNode(object):  
    def \_\_init\_\_(self, dom\_elt, split, left, right):  
        self.dom\_elt = dom\_elt  \# k维向量节点(k维空间中的一个样本点)  
        self.split = split      \# 整数（进行分割维度的序号）  
        self.left = left        \# 该结点分割超平面左子空间构成的kd-tree  
        self.right = right      \# 该结点分割超平面右子空间构成的kd-tree  
   
   
class KdTree(object):  
    def \_\_init\_\_(self, data):  
        k = len(data\[0\])  \# 数据维度  
          
        def CreateNode(split, data\_set): \# 按第split维划分数据集exset创建KdNode  
            if not data\_set:    \# 数据集为空  
                return None  
            \# key参数的值为一个函数，此函数只有一个参数且返回一个值用来进行比较  
            \# operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为需要获取的数据在对象中的序号  
            \#data\_set.sort(key=itemgetter(split)) \# 按要进行分割的那一维数据排序  
            data\_set.sort(key=lambda x: x\[split\])  
            split\_pos = len(data\_set) // 2      \# //为Python中的整数除法  
            median = data\_set\[split\_pos\]        \# 中位数分割点               
            split\_next = (split + 1) % k        \# cycle coordinates  
              
            \# 递归的创建kd树  
            return KdNode(median, split,   
                          CreateNode(split\_next, data\_set\[:split\_pos\]),     \# 创建左子树  
                          CreateNode(split\_next, data\_set\[split\_pos + 1:\])) \# 创建右子树  
                                  
        self.root = CreateNode(0, data)         \# 从第0维分量开始构建kd树,返回根节点

\# KDTree的前序遍历  
def preorder(root):    
    print (root.dom\_elt)    
    if root.left:      \# 节点不为空  
        preorder(root.left)    
    if root.right:    
        preorder(root.right)

**用kd树的最近邻搜索**  
输入： 已构造的kd树； 目标点x；  
输出： x的最近邻。  
（1） 在kd树中找出包含目标点x的叶结点： 从根结点出发， 递归地向下访问kd树。 若目标点x当前维的坐标小于切分点的坐标， 则移动到左子结点， 否则移动到右子结点。 直到子结点为叶结点为止。  
（2） 以此叶结点为“当前最近点”。  
（3） 递归地向上回退， 在每个结点进行以下操作：  
（a） 如果该结点保存的实例点比当前最近点距离目标点更近， 则以该实例点为“当前最近点”。  
（b） 当前最近点一定存在于该结点一个子结点对应的区域。 检查该子结点的父结点的另一子结点对应的区域是否有更近的点。 具体地， 检查另一子结点对应的区域是否与以目标点为球心、 以目标点与“当前最近点”间的距离为半径的超球体相交。  
如果相交， 可能在另一个子结点对应的区域内存在距目标点更近的点， 移动到另一个子结点。 接着， 递归地进行最近邻搜索；  
如果不相交， 向上回退。  
（4） 当回退到根结点时， 搜索结束。 最后的“当前最近点”即为x的最近邻点。  
如果实例点是随机分布的， kd树搜索的平均计算复杂度是O(logN)， 这里N是训练实  
例数。 kd树更适用于训练实例数远大于空间维数时的k近邻搜索。 当空间维数接近训练实  
例数时， 它的效率会迅速下降， 几乎接近线性扫描。  
代码：

\# 对构建好的kd树进行搜索，寻找与目标点最近的样本点：  
from math import sqrt  
from collections import namedtuple

\# 定义一个namedtuple,分别存放最近坐标点、最近距离和访问过的节点数  
result = namedtuple("Result\_tuple", "nearest\_point  nearest\_dist  nodes\_visited")  
    
def find\_nearest(tree, point):  
    k = len(point) \# 数据维度  
    def travel(kd\_node, target, max\_dist):  
        if kd\_node is None:       
            return result(\[0\] \* k, float("inf"), 0) \# python中用float("inf")和float("-inf")表示正负无穷  
   
        nodes\_visited = 1  
          
        s = kd\_node.split        \# 进行分割的维度  
        pivot = kd\_node.dom\_elt  \# 进行分割的“轴”  
          
        if target\[s\] <= pivot\[s\]:           \# 如果目标点第s维小于分割轴的对应值(目标离左子树更近)  
            nearer\_node  = kd\_node.left     \# 下一个访问节点为左子树根节点  
            further\_node = kd\_node.right    \# 同时记录下右子树  
        else:                               \# 目标离右子树更近  
            nearer\_node  = kd\_node.right    \# 下一个访问节点为右子树根节点  
            further\_node = kd\_node.left  
   
        temp1 = travel(nearer\_node, target, max\_dist)  \# 进行遍历找到包含目标点的区域  
          
        nearest = temp1.nearest\_point       \# 以此叶结点作为“当前最近点”  
        dist = temp1.nearest\_dist           \# 更新最近距离  
          
        nodes\_visited += temp1.nodes\_visited    
   
        if dist < max\_dist:       
            max\_dist = dist    \# 最近点将在以目标点为球心，max\_dist为半径的超球体内  
              
        temp\_dist = abs(pivot\[s\] - target\[s\])    \# 第s维上目标点与分割超平面的距离  
        if  max\_dist < temp\_dist:                \# 判断超球体是否与超平面相交  
            return result(nearest, dist, nodes\_visited) \# 不相交则可以直接返回，不用继续判断  
              
        \#----------------------------------------------------------------------    
        \# 计算目标点与分割点的欧氏距离    
        temp\_dist = sqrt(sum((p1 - p2) \*\* 2 for p1, p2 in zip(pivot, target)))       
          
        if temp\_dist < dist:         \# 如果“更近”  
            nearest = pivot          \# 更新最近点  
            dist = temp\_dist         \# 更新最近距离  
            max\_dist = dist          \# 更新超球体半径  
          
        \# 检查另一个子结点对应的区域是否有更近的点  
        temp2 = travel(further\_node, target, max\_dist)   
          
        nodes\_visited += temp2.nodes\_visited  
        if temp2.nearest\_dist < dist:        \# 如果另一个子结点内存在更近距离  
            nearest = temp2.nearest\_point    \# 更新最近点  
            dist = temp2.nearest\_dist        \# 更新最近距离  
   
        return result(nearest, dist, nodes\_visited)  
   
    return travel(tree.root, point, float("inf"))  \# 从根节点开始递归

p = inf为**闵式距离minkowski\_distance**

例3.2 给定一个二维空间的数据集：![20181217215247345.png][]构造一个平衡kd树。

data = \[\[2,3\],\[5,4\],\[9,6\],\[4,7\],\[8,1\],\[7,2\]\]  
kd = KdTree(data)  
preorder(kd.root)

[7, 2]
    [5, 4]
    [2, 3]
    [4, 7]
    [9, 6]
    [8, 1]

找出距离点\[3,4.5\]最近的点：

ret = find\_nearest(kd, \[3,4.5\])  
print (ret)

Result\_tuple(nearest\_point=\[2, 3\], nearest\_dist=1.8027756377319946, nodes\_visited=4)

本代码同样适用三维，使用方式一样。

以上内容均出自李航老师的《统计学习方法》。

[20181217211839167.png]: /images/20220404/f80f2742351f4caf8b81c8bbf4dc894d.png
[20181217211909853.png]: /images/20220404/03d60b5cd99e4f4ba58adc84667582d4.png
[2018121721241948.png]: https://img-blog.csdnimg.cn/2018121721241948.png
[20181217212433356.png]: https://img-blog.csdnimg.cn/20181217212433356.png
[20181217212549162.png]: /images/20220404/86e9d09057b447459f265fb7914ad892.png
[20181217212631803.png]: /images/20220404/bcbd520f4bbe490a834e9a944ac6a347.png
[20181217212655191.png]: https://img-blog.csdnimg.cn/20181217212655191.png
[20181217212734671.png]: https://img-blog.csdnimg.cn/20181217212734671.png
[20181217212748697.png]: /images/20220404/56ab2834f4e04b30878294e97470053b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjM2Mzk5Nw_size_16_color_FFFFFF_t_70]: /images/20220404/402200aed0e6404eb2a2050ae0ec7fee.png
[20181217213547932.png]: https://img-blog.csdnimg.cn/20181217213547932.png
[20181217213610682.png]: https://img-blog.csdnimg.cn/20181217213610682.png
[20181217213711935.png]: https://img-blog.csdnimg.cn/20181217213711935.png
[20181217213751846.png]: /images/20220404/ab6f6a0346304192a6ca1408f0b2706f.png
[20181217215247345.png]: /images/20220404/c7fc5c77857d44d08e8dab29ffee6b40.png