1、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。最早是由Cover和Hart提出的一种分类算法。

2、计算方式

K近邻算法需要对数据做标准化处理

3、sklearn K近邻算法API

4、案例：预测入住位置

       （1）数据：https://www.kaggle.com/c/facebook-v-predicting-check-ins/data

（2）数据处理

• 确定特征值和目标值：

特征值：xy坐标，定位准确性，时间；目标值：入住位置的id（分类问题）

• 对数据进行处理。

坐标处理：缩小坐标值。时间戳转换成年月日格式时间，作为新的特征。

目标值数据太大，影响预测结果，减少数据。

（3）示例代码

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

def knncls():
    '''
    K-近邻预测用户签到位置
    :return: None
    '''
    # 读取数据
    data = pd.read_csv("C:\\Users\\Administrator\\Desktop\\机器学习\\train.csv")

    # 处理数据
    # 1、缩小数据,查询筛选
    data = data.query("x>1.0 & x<1.25 & y>2.5 & y<2.75" )
    # 2.转换时间戳
    time_value = pd.to_datetime(data['time'],unit='s')
    # 把日期格式转换成字典格式
    time_value =  pd.DatetimeIndex(time_value)
    # 构造特征
    data['day'] = time_value.day
    data['hour'] = time_value.hour
    data['weekday'] = time_value.weekday

    # 删除原有时间戳特征(按列删除，pandas中用1表示列)
    data = data.drop(['time'], axis=1)

    # 删除无用row_id
    data = data.drop(['row_id'], axis=1)

    # 把签到的数量少于n个的目标位置删除
    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)]

    #  取出数据中的目标值和特征值
    y = data['place_id']
    x = data.drop(['place_id'],axis=1)

    # 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)

    # 特征工程（标准化）
    std = StandardScaler()
    # 对测试集合训练集的特征值进行标准化
    x_train = std.fit_transform(x_train)
    x_test = std.fit_transform(x_test)

    # 进行算法流程
    knn = KNeighborsClassifier(n_neighbors=5)
    knn.fit(x_train,y_train)

    # 得到预测结果
    y_predict = knn.predict(x_test)

    print("预测的目标签到位置：",y_predict)
    # 得出准确率
    print("预测的准确率：",knn.score(x_test,y_test))

    return None


if __name__ == "__main__":
    knncls()

（4）案例流程

4、k近邻算法总结

（1）k值取多大？有什么影响？

K值取很小：容易受异常点影响

K值取很大：容易受K值数量波动影响预测率

 

（2）性能问题

数据量过大，性能受影响

（3）优缺点