KNN-K最近邻算法+实例应用

KNN-K最近邻算法

什么是KNN算法

KNN算法是寻找最近的K个数据，推测新数据的分类

算法原理

通用步骤

1. 计算距离（常用有欧几里得距离、马氏距离）
2. 升序排序
3. 取前K个
4. 加权平均

K的选取

• K太大：会导致分类模糊
• K太小：容易受个例影响，波动较大
• 选取：均方根误差（找到峰值

实例：预测癌症良性 OR 恶性

数据分析与预处理

M：恶性

B：良性

其他数据为判断良性 、 恶性的依据

划分数据集

取数据的1/3作为测试集，2/3作为训练集

import random
import csv

# 癌症预测数据文件读取
with open("Prostate_Cancer.csv", "r") as file:
    reader = csv.DictReader(file)
    datas = [row for row in reader]

# 分组 -训练集2/3  -测试集1/3
# 将数据打乱，每次得到不同的分组
random.shuffle(datas)
n = len(datas) // 3

test_set = datas[0:n]
train_set = datas[n:]

欧几里得公式测距离

# 距离
def distance(d1, d2):
    res = 0
    for key in ("radius", "texture", "perimeter", "area", "smoothness", "compactness", "symmetry", "fractal_dimension"):
        res += (float(d1[key]) - float(d2[key])) ** 2

    return res ** 0.5

选取K值

先尝试K取5

将运算后的数据按距离升序排列

选取距离最小的k个样点

加权平均

分类计算加权平均距离，多数表决预测

源码

import random
import csv

# 癌症预测数据文件读取
with open("Prostate_Cancer.csv", "r") as file:
    reader = csv.DictReader(file)
    datas = [row for row in reader]

# 分组 -训练集2/3  -测试集1/3
# 将数据打乱，每次得到不同的分组
random.shuffle(datas)
n = len(datas) // 3

test_set = datas[0:n]
train_set = datas[n:]


# KNN
# 距离
def distance(d1, d2):
    res = 0
    for key in ("radius", "texture", "perimeter", "area", "smoothness", "compactness", "symmetry", "fractal_dimension"):
        res += (float(d1[key]) - float(d2[key])) ** 2

    return res ** 0.5


K = 5


def knn(data):
    # 1.所有的距离
    res = [
        {"result": train["diagnosis_result"], "distance": distance(data, train)}
        for train in train_set
    ]

    # 2.升序排序
    res = sorted(res, key=lambda item: item["distance"])

    # 3.取前K个
    res2 = res[0:K]

    # 4.加权平均
    result = {'B': 0, 'M': 0}

    # 总距离
    sum = 0
    for r in res2:
        sum += r["distance"]

    for r in res2:
        result[r["result"]] += 1 - r["distance"] / sum

    # print(result)
    # print(data["diagnosis_result"])

    if result['B'] > result['M']:
        return "B"
    else:
        return "M"


# 测试阶段
correct = 0
for test in test_set:
    result = test["diagnosis_result"]
    result2 = knn(test)

    if result == result2:
        correct += 1
print("准确个数：", correct)
print("测试总数：", len(test_set))

print("准确率：{:.2f}%".format(100 * correct / len(test_set)))