K-近邻算法

K-近邻算法又称KNN算法，最早是由Cover和Hart提出的一种分类算法，其原理非常简单，主要是根据计算两个样本之间的距离从而对样本进行预测分类，常用的距离计算公式有欧氏距离：

根据未知样本与已知样本的欧式距离，计算出距离最近的样本，则其为预测样本的类别

在Python的sklearn中使用KNN算法的API：

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
algorithm：{'auto'，'ball_tree'，'kd_tree'，'brute'}，可选用于计算最近邻居的算法
　　      'ball_tree': 将会使用BallTree，'kd_tree'将使用KDTree;
　　      'auto': 将尝试根据传递给fit方法的值来决定最合适的算法;(不同实现方式影响效率)

使用示例：Facebook V: Predicting Check Ins

数据集来源：https://www.kaggle.com/c/facebook-v-predicting-check-ins/data

注意：下载数据需激活账户(激活账户需fan qiang)

示例来源：

Facebook和Kaggle2016年推出的机器学习工程竞赛题目：

本次比赛的目的是预测一个人想要签到的地方。为了本次比赛的目的，Facebook创建了一个人工世界，其中包括10平方公里的100,000多个地方。对于给定的坐标集，您的任务是返回最可能位置的排名列表。数据被制作成类似于来自移动设备的位置信号，让您了解如何处理由不准确和嘈杂的值导致的实际数据。不一致和错误的位置数据可能会破坏Facebook Check In等服务的体验。

部分数据示例：

数据介绍：

train.csv，test.csv 

row_id：登记事件的ID

xy：坐标

准确性：定位准确性 

时间：时间戳

place_id：业务的ID，这是您预测的目标

分析
对于数据做一些基本处理（这里所做的一些处理不一定达到很好的效果，只是简单尝试，有些特征可以根据一些特征选择的方式去做处理）
1、缩小数据集范围 DataFrame.query()

data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")

2、处理日期数据 pd.to_datetime pd.DatetimeIndex

time_value = pd.to_datetime(data['time'], unit='s')

3、增加分割的日期数据

time_value = pd.DatetimeIndex(time_value)
data['day'] = time_value.day
data['weekday'] = time_value.weekday
data['hour'] = time_value.hour

4、删除没用的数据 DataFrame.drop

data = data.drop(['time'], axis=1)
# 删除入住次数少于三次位置
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)]

5、将签到位置少于n个用户的删除

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)]

6、模型参数设置

knn = KNeighborsClassifier(n_neighbors=1)

n_neighbors即KNN算法中的K值：算法传入参数不定的值，当值设置为1时，结果如下：

由于K的值直接影响到预测的准确率，通过调整k的值可以优化准确率，使用sklearn提供的超参数搜索-网格搜索(Grid Search),采用交叉验证来进行评估,最后选出最优参数组合建立模型：

knn = KNeighborsClassifier()
param = {"n_neighbors": list(range(1, 10))}
gc = GridSearchCV(knn, param_grid=param, cv=2)
gc.fit(x_train, y_train)

# 交叉验证获取最佳模型参数
print("gc选择了的模型K值是：", gc.best_estimator_)
best_k = gc.best_estimator_.__dict__.get("n_neighbors")

调参结果：

 完整代码：

import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV


def knncls():
    """
    K近邻算法预测入住位置类别
    :return:
    """
    # 一、处理数据以及特征工程
    # 1、读取收，缩小数据的范围
    data = pd.read_csv("./train.csv")

    # 数据逻辑筛选操作 df.query()
    data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")

    # 2、处理时间戳日期
    time_value = pd.to_datetime(data['time'], unit='s')
    time_value = pd.DatetimeIndex(time_value)

    # 加入时间的其它的特征
    data['day'] = time_value.day
    data['weekday'] = time_value.weekday
    data['hour'] = time_value.hour

    # 删除time这一列特征
    data = data.drop(['time'], axis=1)

    # 删除入住次数少于三次位置
    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)]

    # 3、取出特征值和目标值
    y = data['place_id']

    x = data.drop(['place_id', 'row_id'], axis=1)

    # 4、数据分割与特征工程?

    # （1）、数据分割
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)

    # (2)、标准化
    std = StandardScaler()

    # 对训练集进行标准化操作
    x_train = std.fit_transform(x_train)

    # 进行测试集的标准化操作
    x_test = std.fit_transform(x_test)

    # 二、算法的输入训练预测
    # K值：算法传入参数不定的值    理论上：k = 根号(样本数)
    # 交叉验证调参 使用网格搜索和交叉验证找到合适的参数
    knn = KNeighborsClassifier()

    param = {"n_neighbors": list(range(1, 10))}

    gc = GridSearchCV(knn, param_grid=param, cv=2)

    gc.fit(x_train, y_train)

    # 交叉验证获取最佳模型参数
    print("gc选择了的模型K值是：", gc.best_estimator_)
    best_k = gc.best_estimator_.__dict__.get("n_neighbors")

    knn = KNeighborsClassifier(n_neighbors=best_k)

    # 调用fit()
    knn.fit(x_train, y_train)

    # 预测测试数据集，得出准确率
    y_predict = knn.predict(x_test)

    print("预测测试集类别：", y_predict)
    print("准确率为：", knn.score(x_test, y_test))

    return None


knncls()

结果：