k-近邻(KNN) 算法预测签到位置

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

分类算法-k近邻算法(KNN):

定义：

如果一个样本在特征空间中的k个最相似 (即特征空间中最邻近) 的样本中的大多数属于某一个类别，则该样本也属于这个类别

来源：

KNN算法最早是由Cover和Hart提出的一种分类算法

计算距离公式：

两个样本的距离可以通过如下公式计算，又叫欧氏距离，比如说

sklearn k-近邻算法API：

问题：

1. k值取多大？有什么影响？

k值取很小：容易受到异常点的影响

k值取很大：容易受最近数据太多导致比例变化

2. 性能问题

k-近邻算法的优缺点：

优点：

简单、易于理解，无需估计参数，无需训练

缺点：

懒惰算法，对测试样本分类时的计算量大，内存开销大

必须制定k值，k值选择不当则分类精度不能保证

使用场景：

小数据场景，几千~几万样本，具体场景具体业务去测试

k近邻算法实例-预测签到位置：

数据来源：

kaggle官网，链接地址：https://www.kaggle.com/c/facebook-v-predicting-check-ins/data (需官网登录后下载)

数据的处理：

1. 缩小数值范围： DataFrame.query()，因为数据量过大，所以获取部分数据

2. 处理日期数据： pd.to_datetime() 、pd.DatetimeIndex()，两个pandas库的接口

3. 增加分割的日期数据：把源数据里面的时间戳数据转换分割后，添加为新列，day、hour等

4. 删除没用的数据： pd.drop() ，pandas库的接口

5. 将签到位置少于n个用户的数据删除，一些pandas库知识：

place_count = data.groupby('place_id').aggregate(np.count_nonzero)

tf = place_count[place_count.row_id>3].rest_index()

data = data[data['place_id'].isin(tf.place_id)]

实例流程：

1. 数据集的处理

2. 分割数据集

3. 对数据集进行表转化

4. estimator流程进行分类预测

代码实现：

import os
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler def knn_cls():
"""K-近邻算法预测用户签到的位置""" # 一、读取数据
fb_location = os.path.join(os.path.join(os.path.curdir, 'data'), 'fb_location')
data = pd.read_csv(os.path.join(fb_location, 'train.csv'))
# print(data.head(10)) # 二、处理数据
# 1.缩小数据，查询数据筛选
data = data.query('x>1.0 & x<1.25 & y>2.5 & y<2.75')
# 2.处理时间的数据
time_value = pd.to_datetime(data['time'], unit='s') # 精确到秒
# print(time_value)
# 3.把日期格式转化为字典格式
time_value = pd.DatetimeIndex(time_value)
# 4.构造一些特征
data.loc[:,'day'] = time_value.day
data.loc[:,'hour'] = time_value.hour
data.loc[:,'weekday'] = time_value.weekday
# 5.把时间戳特征删除
data.drop(['time'], axis=1, inplace=True)
# print(data)
# 6.把签到数量小于n个目标位置删除
place_count = data.groupby('place_id').count()
tf = place_count[place_count.row_id>3].reset_index()
data = data[data['place_id'].isin(tf.place_id)]
# 7.取出特征值和目标值
y = data['place_id']
x = data.drop(['place_id', 'row_id'], axis=1)
# 8.进行数据的分割，训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25) # 三、特征工程（标准化）
std = StandardScaler()
# 对测试集和训练集的特征值进行标准化
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test) # 这里用std.transform就不用fit去重新计算平均值标准差一类的了 # 四、进行算法流程
knn = KNeighborsClassifier(n_neighbors=9) # fit, predict, score
knn.fit(x_train, y_train) # 四、得出预测结果和准确率
y_predict = knn.predict(x_test)
print('预测的目标签到位置为：', y_predict)
print('预测的准确率: ', knn.score(x_test, y_test)) if __name__ == '__main__':
knn_cls()