sklearn调包侠之KNN算法

天下武功，唯快不破。今天就正式讲解如何通过《sklearn小抄》武林秘籍，成为一代宗师调包侠。欲练此功，必先自宫；就算自宫，未必成功；若不自宫，也能成功。传说江湖（机器学习领域）有两大派别：一是学术派，该派资历高，家境好，多为名门世家（学历高，数学好），重基础（数学推导和理论知识）；一是实践派，以找人切磋为主（实践为主），多在切磋中提升能力。《机器学习实战》系列为学术派，《sklearn调包侠》系列为实践派，该系列会简单讲解原理，多引用于《机器学习实战》系列的算法讲解（必要的内力），然后在实操中完成各机器学习算法。
tips：在本篇中会按小抄详细过一遍，之后就可能会随意一些。

KNN算法原理

计算测试样本与每个训练样本的距离，取前k个距离最小的训练样本，最后选择这k个样本中出现最多的分类，作为测试样本的分类。
如图所示，绿色的为测试样本，当k取3时，该样本就属于红色类；当k取5时，就属于蓝色类了。所以k值的选择很大程度影响着该算法的结果，通常k的取值不大于20。

KNN算法原理

实战——糖尿病预测

数据导入

本数据可在kaggle中进行下载，读者可以去我的百度云链接进行下载。
（链接：https://pan.baidu.com/s/1gqaGuQ9kWZFfc-SXbYFDkA 密码：lxfx）
该数据为csv格式文件，我们通过pandas读入：

import numpy as np
import pandas as pddata = pd.read_csv('data/pima-indians-diabetes/diabetes.csv')
data.head()

我们简单看下各字段的意思：

• Pregnancies：怀孕的次数
• Glucose：血浆葡萄糖浓度
• BloodPressure：舒张压
• SkinThickness：肱三头肌皮肤皱皱厚度
• Insulin： 胰岛素
• BMI：身体质量指数
• Dia....：糖尿病血统指数
• Age：年龄
• Outcone：是否糖尿病，1为是

我们把数据划分为特征和label，前8列为特征，最后一列为label。

X = data.iloc[:, 0:8]
Y = data.iloc[:, 8]

切分数据集

在模型训练前，需要将数据集切分为训练集和测试集（73开或者其它），这里选择82开，使用sklearn中model_selection模块中的train_test_split方法。

from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=22)

这里的test_size为测试集的比例，random_state为随机种子，这里可设置任意数字，保证下次运行同样可以选择出对应的训练集和测试集。

数据预处理

这里没有对数据进行预处理。

模型训练与评估

KNN算法使用sklearn.neighbors模块中的KNeighborsClassifier方法。常用的参数如下：

• n_neighbors，整数，也就是k值。
• weights，默认为‘uniform’；这个参数可以针对不同的邻居指定不同的权重，也就是说，越近可以权重越高，默认是一样的权重。‘distance’可以设置不同权重。

在sklearn.neighbors还有一个变种KNN算法，为RadiusNeighborsClassifier算法，可以使用一定半径的点来取代距离最近的k个点。
接下来，我们通过设置weight和RadiusNeighborsClassifier，对算法进行比较。

from sklearn.neighbors import KNeighborsClassifier,RadiusNeighborsClassifiermodel1 = KNeighborsClassifier(n_neighbors=2)
model1.fit(X_train, Y_train)
score1 = model1.score(X_test, Y_test)model2 = KNeighborsClassifier(n_neighbors=2, weights='distance')
model2.fit(X_train, Y_train)
score2 = model2.score(X_test, Y_test)model3 = RadiusNeighborsClassifier(n_neighbors=2, radius=500.0)
model3.fit(X_train, Y_train)
score3 = model3.score(X_test, Y_test)print(score1, score2, score3)#result
#0.714285714286 0.701298701299 0.649350649351

可以看出默认情况的KNN算法结果最好。

交叉验证

通过上述结果可以看出：默认情况的KNN算法结果最好。这个判断准确么？答案是不准确，因为我们只是随机分配了一次训练和测试样本，可能下次随机选择训练和测试样本，结果就不一样了。这里的方法为：交叉验证。我们把数据集划分为10折，每次用9折训练，1折测试，就会有10次结果，求十次的平均即可。当然，可以设置cv的值，选择不同的折数。

from sklearn.model_selection import cross_val_scoreresult1 = cross_val_score(model1, X, Y, cv=10)
result2 = cross_val_score(model2, X, Y, cv=10)
result3 = cross_val_score(model3, X, Y, cv=10)print(result1.mean(), result2.mean(), result3.mean())# result
# 0.712235133288 0.67966507177 0.64976076555

可以看出，还是默认情况的KNN算法结果最好。

模型调优

无模型调优。