机器学习系列算法1：KNN

思路：空间上距离相近的点具有相似的特征属性。

执行流程：

　　•1. 从训练集合中获取K个离待预测样本距离最近的样本数据;
　　•2. 根据获取得到的K个样本数据来预测当前待预测样本的目标属性值 

三要素：K值选择/距离度量（欧式距离）/决策选择（平均值/加权平均）

Knn问题：数据量大，计算量较大；解决方案：kd-tree

kd-tree：计算方差，根据方差大的划分

伪代码实现：

import numpy as np
from collections import defaultdict


class myknn:

    def fit(self, X, Y, k):
        self.train_x = X
        self.train_y = Y
        self.k = k

    def predict(self, X):
        predict_labels = []
        for x in X:
            # 1. 从训练数据中获取K个和当前待预测样本x最相似的样本
            neighbors = self.fetch_k_neighbors(x)
            # 2. 将这K个最相似的样本中出现次数最多的类别作为预测值
            predict_label = self.calc_max_count_label(neighbors)
            # 3. 将当前样本的预测值添加到临时的列表中
            predict_labels.append(predict_label)

        return predict_labels

    def fetch_k_neighbors(self, x):
        distances = []
        for neighbor in self.train_x:
            dis = np.sqrt(np.sum((np.array(x) - neighbor) ** 2))
            distances.append(dis)
        neighbors_y_distances = [[neighbor, y, dis] for neighbor, y, dis in zip(self.train_x, self.train_y, distances)]

        k_neighbors_y = sorted(neighbors_y_distances, key=lambda x: x[2])[:self.k]
        return k_neighbors_y

    def calc_max_count_label(self, neighbors):
        y_count = defaultdict(int)
        for neighbor, y, _ in neighbors:
            y_count[y] += 1
        max_count_label = sorted(y_count.items(), key=lambda x: x[1], reverse=True)[0][0]
        return max_count_label


a = myknn()
X = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9],
    [10, 11, 12],
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9],
]
Y = [1, 2, 3, 2, 1, 2, 3]
k = 3
a.fit(X, Y, k)
print(a.predict([[7, 8, 9], ]))

sklearn 实现：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
import os

if not os.path.exists('models'): 
    os.mkdir('models')
base_path = './models/'  #模型保存路径

from sklearn.datasets import load_iris    #load 鸢尾花数据
from sklearn.model_selection import train_test_split  #数据分割
from sklearn.neighbors import KNeighborsClassifier  #knn分类器
from sklearn.externals import joblib   #持久化

data = pd.read_csv('iris.data', header=None)

print(data.head())
X = data.loc[:, :3] #前4列为特征数据
Y = data[4]  #最后一列为目标数据  
print(X.head())

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=22)

'''
    def __init__(self,
            n_neighbors=5,   #邻居数目
            weights='uniform',  #uniform 等权重/distance
            algorithm='auto', #暴力计算和kd-tree
            leaf_size=30,  #构建kd-tree 允许的最大叶子节点
            p=2,    #距离公式
            metric='minkowski', #默认欧式距离
            metric_params=None,
            n_jobs=None,  #开启多少个线程计算
            **kwargs):'''

algo = KNeighborsClassifier(n_neighbors=3)
algo.fit(X_train, Y_train)
print('准确率：{}'.format(algo.score(X_train, Y_train)))

# 持久化
joblib.dump(value=algo, filename=base_path + 'knn.pkl')

机器学习开发流程：

# 1. 数据加载

# 2. 数据的清洗、处理

# 3. 训练数据和测试数据的划分

# 4. 特征工程

# 5. 模型对象构建

# 6. 模型训练

# 7. 模型效果评估

# 8. 模型持久化

持久化的方式主要三种：
-1. 将模型持久化为二进制的磁盘文件。
-2. 将模型参数持久化到数据库中。
-3. 使用模型对所有数据进行预测，并将预测结果保存到数据库中。