目录
k近邻算法思想
少数服从多数
k近邻算法原理
K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近 的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。
例如下图展现了两类样本数据，分别由正方形和三角形表示，待分类数据由圆形表示，算法的目的是依据已知的样本数据判断待分类数据的类别，即对圆形数据分类。
我们考虑几种不同的K值：
- 如果K=1，圆点的最邻近的1个点是1个三角形，**少数服从多数，**基于统计的方法，可以判定这个待分类点属于三角形一类。
- 如果K=3，圆点的最邻近的3个点是2个三角形和1个正方形，**少数服从多数，**基于统计的方法，可以判定这个待分类点属于三角形一类。
- 如果K=5，圆点的最邻近的5个点是2个三角形和3个正方形，**少数服从多数，**基于统计的方法，可以判定这个待分类点属于正方形一类。
- 依此类推，k近邻算法的思路十分清晰，一言蔽之，即由最近的k个邻居决定待判别点的归属。
k近邻算法流程
对未知类别的数据集中的每个点依次执行以下操作
- 计算已知类别数据集众多点与当前点之间的距离
- 按照距离递增次序排序
- 选取与当前点距离最小的k个点
- 确定前k个点所在类别的出现频率
- 返回前k个点出现频率最高的类别作为当前点的预测分类
距离度量的选择
k近邻算法中需要按照距离递增次序排序，通常选取以下类型的距离：
- 欧式距离：
- Lp距离：
- 曼哈顿距离：
- L
距离：
数据维度归一化
假设所使用的样本特征为
，取每一轴上的最大值减最小值
随后在计算距离时将每一个坐标轴除以相应的
以进行归一化
数据维度归一化的必要性
当使用多维度数据计算距离时，数据维度的归一化是及其必要的。
例如，以身高(cm)与脚码（尺码）大小作为特征值，判断男性或者女性。5个训练样本分布如下：
A (179,42),男，B (178,43),男，C (165,36)女，D (177,42),男，E (160,35),女
可以发现，第一维身高特征是第二维脚码特征的4倍左右，在计算距离度量的时候，如果不进行数据维度的归一化，算法就会偏向于第一维特征**，**这会造成俩个特征并不是等价重要的，最终可能会导致距离计算错误，从而导致预测错误。
以测试样本 F(167,43),男为例，取k=3，分别算出F离训练样本的欧式距离，然后选取最近的3个，多数类别就是我们最终的结果，计算结果如下：
可以得到，最近的前三个分别是C,D,E三个样本，那么由C,E为女性，D为男性，得到预测结果为女性。
女性脚43码的可能性远远小于男性脚43码的可能性，算法却错误地预测F为女性，这不是算法的问题，这是各个特征量纲不同的问题，这里量纲直接导致身高的权重远大于脚码的权重，进而导致预测错误。所以在计算前应该让每个特征同等重要，这就是归一化的必要性。
k值的选择
- 选择较小的k值
- 噪声敏感
- K值的减小意味着着整体模型会变得复杂，容易发生过拟合情况
- 学习的近似误差(approximation error)会减小，但学习的估计误差(estimation error)会增大
过拟合：在训练集上准确率非常高，而在测试集上准确率低
-
选择较大的k值
- K值的增大意味着整体的模型会变得简单
- 学习的估计误差(estimation error)会减小，但学习的近似误差(approximation error)会增大
-
合理的选择方式：一般先选取一个较小的k值，然后采取交叉验证法来选取最优的k值，即实验调参，类似于神经网络通过调整超参数来得到一个较好的层数。
k近邻算法优缺点
- 优点
- 精度高
- 对异常值不敏感
- 无数据输入假定
- 缺点
- 计算复杂度高
- 空间复杂度高