常见分类模型与算法
距离判别法,即最近邻算法KNN;
贝叶斯分类器;
线性判别法,即逻辑回归算法;
决策树;
支持向量机;
神经网络;
1. KNN分类算法原理及应用 1.1 KNN概述K最近邻(k-Nearest Neighbor,KNN)分类算法是最简单的机器学习算法。
KNN算法的指导思想是“近朱者赤,近墨者黑”,由你的邻居来推断你的类型。
本质上,KNN算法就是用距离来衡量样本之间的相似度。
1.2 算法图示从训练集中找到和新数据最接近的k条记录,然后根据多数类来决定新数据类别
算法涉及3个主要因素
1) 训练数据集
2) 距离或相似度的计算衡量
3) k的大小
算法描述
1) 已知两类“先验”数据,分别是蓝方块和红三角,他们分布在一个二维空间中;
2) 有一个未知类别的数据(绿点),需要判断它是属于“蓝方块”还是“红三角”类;
3) 考察离绿点最近的3个(或k个)数据点的类别,占多数的类别即为绿点判定类别;
1.3 算法要点 1.3.1 计算步骤计算步骤如下:
1) 算距离:给定测试对象,计算它与训练集中的每个对象的距离;
2) 找邻居:圈定距离最近的k个训练对象,作为测试对象的近邻;
3) 做分类:根据这k个近邻归属的主要类别,来对测试对象分类;
1.3.2 相似度的衡量距离越近应该意味着这两个点属于一个分类的可能性越大,但,距离不能代表一切,有些数据的相似度衡量并不适合用距离;
相似度衡量方法:包括欧式距离、夹角余弦等。
(简单应用中,一般使用欧式距离,但对于文本分类来说,使用余弦来计算相似度就比欧式距离更合适)
1.3.3 类别的判定简单投票法:少数服从多数,近邻中哪个类别的点最多就分为该类
加权投票法:根据距离的远近,对近邻的投票进行加权,距离越近则权重越大(权重为距离平方的倒数)
1.4 算法不足之处1. 样本不平衡容易导致结果错误
如一个类的样本容量很大,而其他类样本容量很小时,有可能导致当输入一个新样本时,该样本的K个邻居中大容量类的样本占多数。
改善方法:对此可以采用权值的方法(和该样本距离小的邻居权值大)来改进。
2. 计算量较大
因为对每一个待分类的文本都要计算它到全体已知样本的距离,才能求得它的K个最近邻点。
改善方法:实现对已知样本点进行剪辑,事先去除对分类作用不大的样本。
注:该方法比较适用于样本容量比较大的类域的类域的分类,而那些样本容量较小的类域采用这种算法比较容易产生误分。
1.5 KNN分类算法Python实战——KNN简单数据分类实践 1.5.1 需求计算地理位置的相似度
有以下先验数据,使用KNN算法对未知类别数据分类
属性1
属性2
类别
1.0
0.9
A
1.0
1.0
A
0.1
0.2
B
0.0
0.1
B
未知类别数据
属性1
属性2
类别
1.2
1.0
?
0.1
0.3
?
1.5.2 Python实现
首先,我们新建一个KNN.py脚本文件,文件里面包含两个函数,一个用来生成小数据集,一个实现KNN分类算法。代码如下:
########################## # KNN: k Nearest Neighbors #输入:newInput: (1xN)的待分类向量 # dataSet: (NxM)的训练数据集 # labels: 训练数据集的类别标签向量 # k: 近邻数 # 输出:可能性最大的分类标签 ########################## from numpy import import operator #创建一个数据集,包含2个类别共4个样本 def createDataSet(): # 生成一个矩阵,每行表示一个样本 group = array([[1.0,0.9],[1.0,1.0],[0.1,0.2],[0.0,0.1]]) # 4个样本分别所属的类别 labels = [\'A\', \'A\', \'B\', \'B\'] return group, labels # KNN分类算法函数定义 def KNNClassify(newInput, dataSet, labels, k): numSamples = dataSet.shape[0] #shape[0]表示行数 ## step1:计算距离 # tile(A, reps):构造一个矩阵,通过A重复reps次得到 # the following copy numSamples rows for dataSet diff = tile(newInput, (numSamples, 1)) -dataSet #按元素求差值 squareDiff = diff ** 2 #将差值平方 squareDist = sum(squaredDiff, axis = 1) # 按行累加 ##step2:对距离排序 # argsort() 返回排序后的索引值 sortedDistIndices = argsort(distance) classCount = {} # define a dictionary (can be append element) for i in xrange(k): ##step 3: 选择k个最近邻 voteLabel = labels[sortedDistIndices[i]] ## step 4:计算k个最近邻中各类别出现的次数 # when the key voteLabel is not in dictionary classCount,get() # will return 0 classCount[voteLabel] = classCount.get(voteLabel, 0) + 1 ##step 5:返回出现次数最多的类别标签 maxCount = 0 for key, value in classCount.items(): if value > maxCount: maxCount = value maxIndex = key return maxIndex