最近邻算法（kNN）详解-人工智能-PHP中文网

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☜☜☜

最近邻算法（knn）详解 - php中文网

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。

最近邻算法（kNN）详解 - php中文网

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。

$D_{谍影重重} = \sqrt{(49 - 57)^{2} + (6 - 2)^{2}} \approx 8.94$ D谍影重重=(49−57)2+(6−2)2≈8.94

$D_{叶问 3} = \sqrt{(49 - 65)^{2} + (6 - 2)^{2}} \approx 16.49$ D叶问3=(49−65)2+(6−2)2≈16.49

$D_{我的特工爷爷} = \sqrt{(49 - 21)^{2} + (6 - 4)^{2}} \approx 28.07$ D我的特工爷爷=(49−21)2+(6−4)2≈28.07

$D_{奔爱} = \sqrt{(49 - 4)^{2} + (6 - 46)^{2}} \approx 60.21$ D奔爱=(49−4)2+(6−46)2≈60.21

$D_{夜孔雀} = \sqrt{(49 - 8)^{2} + (6 - 39)^{2}} \approx 52.63$ D夜孔雀=(49−8)2+(6−39)2≈52.63

$D_{代理情人} = \sqrt{(49 - 2)^{2} + (6 - 38)^{2}} \approx 56.86$ 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（ $\frac{3}{5} > \frac{2}{5}$ 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。

最近邻算法（kNN）详解 - php中文网

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
1. 加载数据
2. 交叉验证
3. 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。

算家云

高效、便捷的人工智能算力服务平台

查看详情

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

登录后复制

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)

登录后复制

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)

登录后复制

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)

登录后复制

0.9555555555555556

登录后复制

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)))

登录后复制

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

登录后复制

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)))

登录后复制

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

登录后复制

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。

以上就是最近邻算法（kNN）详解的详细内容，更多请关注php中文网其它相关文章！