【动手学机器学习】第三章模式识别与机器学习经典算法——k 近邻算法

前言

本章先来讲解k 近邻算法——最简单的机器学习算法，从中展开机器学习的一些基本概念和思想。或许有的读者会认为机器学习非常困难，需要庞大的模型、复杂的网络，但事实并非如此。

相当多的机器学习算法都非常简单、直观，也不涉及神经网络。本章就将介绍一个最基本的分类和回归算法：k 近邻（k-nearest neighbor, KNN）算法。

KNN 是最简单也是最重要的机器学习算法之一，它的思想可以用一句话来概括：“相似的数据往往拥有相同的类别”，这也对应于中国的一句谚语：“物以类聚，人以群分”。

具体来说，我们在生活中常常可以观察到，同一种类的数据之间特征更为相似，而不同种类的数据之间特征差别更大。例如，在常见的花中，十字花科的植物大多数有 4 片花瓣，而夹竹桃科的植物花瓣大多数是 5 的倍数。虽然存在例外，但如果我们按花瓣数量对植物做分类，那么花瓣数量相同或成倍数关系的植物，相对更可能属于同一种类。

下面，本章将详细讲解并动手实现 KNN 算法，再将其应用到不同的任务中去。

KNN 算法的原理

在分类任务中，我们的目标是判断样本的类别。

KNN 首先会观察与该样本点距离最近的个样本，统计这些样本所属的类别。然后，将当前样本归到出现次数最多的类中。我们用 KNN 算法的一张经典示意图来更清晰地说明其思想。

如图所示，假设共有两个类别的数据点：蓝色圆形和橙色正方形，而中心位置的绿色样本当前尚未被分类。根据统计近邻的思路：

• 当K=3时，绿色样本的个近邻中有两个橙色正方形样本，一个蓝色圆形样本，因此应该将绿色样本点归类为橙色正方形。
• 当K=5时，绿色样本的个近邻中有两个橙色正方形样本，三个蓝色圆形样本，因此应该将绿色样本点归类为蓝色圆形。

从这个例子中可以看出，KNN 的基本思路是让当前样本的分类服从邻居中的多数分类。但是，当的大小变化时，由于邻居的数量变化，其多数类别也可能会变化，从而改变对当前样本的分类判断。因此，决定的大小是 KNN 中最重要的部分之一。直观上来说，当的取值太小时，分类结果很容易受到待分类样本周围的个别噪声数据影响；当的取值太大时，又可能将远处一些不相关的样本包含进来。因此，我们应该根据数据集动态地调整的大小，以得到最理想的结果。

用 KNN 算法完成分类任务

本节将在 MNIST 数据集上应用 KNN 算法，完成分类任务。

MNIST 是手写数字数据集，其中包含了很多手写数字 0~9 的黑白图像，每张图像都由 2828 个像素点组成。读者可以在 MNIST 的官方网站上得到更多数据集的信息。读入后，每个像素点用 1 或 0 表示，1 代表黑色像素，属于图像背景；0 代表白色像素，属于手写数字。我们的任务是用 KNN 对不同的手写数字进行分类。为了更清晰地展示数据集的内容，下面先将前两个数据点转成黑白图像显示出来。此外，把每个数据集都按 8:2 的比例随机划分成训练集（training set）和测试集（test set）。我们先在训练集上应用 KNN 算法，再在测试集上测试算法的表现。

本节中，我们会用到 NumPy 和 Matplotlib 两个 Python 库。NumPy 是科学计算库，包含了大量常用的计算工具，如数组工具、数据统计、线性代数等，我们用 NumPy 中的数组来存储数据，并且会用到其中的许多函数。Matplotlib 是可视化库，包含了各种绘图工具，我们用 Matplotlib 进行数据可视化，以及绘制各种训练结果。本书不会对库中该函数的用法做过多详细说明，感兴趣的读者可以自行查阅官方文档、API 或其他教程，了解相关函数的具体使用方法。

import matplotlib.pyplot as plt
import numpy as np
import os

# 读入mnist数据集
m_x = np.loadtxt('mnist_x', delimiter=' ')
m_y = np.loadtxt('mnist_y')

# 数据集可视化
data = np.reshape(np.array(m_x[0], dtype=int), [28, 28])
plt.figure()
plt.imshow(data, cmap='gray')

# 将数据集分为训练集和测试集
ratio = 0.8
split = int(len(m_x) * ratio)
# 打乱数据
np.random.seed(0)
idx = np.random.permutation(np.arange(len(m_x)))
m_x = m_x[idx]
m_y = m_y[idx]
x_train, x_test = m_x[:split], m_x[split:]
y_train, y_test = m_y[:split], m_y[split:]

下面是 KNN 算法的具体实现。首先，我们定义样本之间的距离。简单起见，我们采用最常用的欧氏距离（Euclidean distance），也就是我们最生活中最常用、最直观的空间距离。

def distance(a, b):
    return np.sqrt(np.sum(np.square(a - b)))

为了方便，我们将 KNN 算法定义成类，其初始化参数是和类别的数量。每一部分的含义在代码中有详细注释。

class KNN:
    def __init__(self, k, label_num):
        self.k = k
        self.label_num = label_num # 类别的数量

    def fit(self, x_train, y_train):
        # 在类中保存训练数据
        self.x_train = x_train
        self.y_train = y_train

    def get_knn_indices(self, x):
        # 获取距离目标样本点最近的K个样本点的标签
        # 计算已知样本的距离
        dis = list(map(lambda a: distance(a, x), self.x_train))
        # 按距离从小到大排序，并得到对应的下标
        knn_indices = np.argsort(dis)
        # 取最近的K个
        knn_indices = knn_indices[:self.k]
        return knn_indices

    def get_label(self, x):
        # 对KNN方法的具体实现，观察K个近邻并使用np.argmax获取其中数量最多的类别
        knn_indices = self.get_knn_indices(x)
        # 类别计数
        label_statistic = np.zeros(shape=[self.label_num])
        for index in knn_indices:
            label = int(self.y_train[index])
            label_statistic[label] += 1
        # 返回数量最多的类别
        return np.argmax(label_statistic)

    def predict(self, x_test):
        # 预测样本 test_x 的类别
        predicted_test_labels = np.zeros(shape=[len(x_test)], dtype=int)
        for i, x in enumerate(x_test):
            predicted_test_labels[i] = self.get_label(x)
        return predicted_test_labels

最后，我们在测试集上观察算法的效果，并对不同的的取值进行测试。

for k in range(1, 10):
    knn = KNN(k, label_num=10)
    knn.fit(x_train, y_train)
    predicted_labels = knn.predict(x_test)

    accuracy = np.mean(predicted_labels == y_test)
    print(f'K的取值为 {
     
     k}, 预测准确率为 {
     
     accuracy * 100:.1f}%')

K的取值为 1, 预测准确率为 88.5%
K的取值为 2, 预测准确率为 88.0%
K的取值为 3, 预测准确率为 87.5%
K的取值为 4, 预测准确率为 87.5%
K的取值为 5, 预测准确率为 88.5%
K的取值为 6, 预测准确率为 88.5%
K的取值为 7, 预测准确率为 88.0%
K的取值为 8, 预测准确率为 87.0%
K的取值为 9, 预测准确率为 87.0%

使用 scikit-learn 实现 KNN 算法

Python 作为机器学习的常用工具，有许多 Python 库已经封装好了机器学习常用的各种算法。这些库通常经过了很多优化，其运行效率比上面我们自己实现的要高。

所以，能够熟练掌握各种机器学习库的用法，也是机器学习的学习目标之一。其中，scikit-learn（简称 sklearn）是一个常用的机器学习算法库，包含了数据处理工具和许多简单的机器学习算法。

本节以 sklearn 库为例，来讲解如何使用封装好的 KNN 算法，并在高斯数据集 gauss.csv 上观察分类效果。该数据集包含一些平面上的点，分别由两个独立的二维高斯分布随机生成，每一行包含三个数，依次是点的和坐标和类别。首先，我们导入数据集并进行可视化。

from sklearn.neighbors import KNeighborsClassifier # sklearn中的KNN分类器
from matplotlib.colors import ListedColormap

# 读入高斯数据集
data = np.loadtxt('gauss.csv', delimiter=',')
x_train = data[:, :2]
y_train = data[:, 2]
print('数据集大小：', len(x_train))

# 可视化
plt.figure()
plt.scatter(x_train[y_train == 0, 0], x_train[y_train == 0, 1], c='blue', marker='o')
plt.scatter(x_train[y_train == 1, 0], x_train[y_train == 1, 1], c='red', marker='x')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.show()

数据集大小： 200

在高斯数据集中，我们将整个数据集作为训练集，将平面上的其他点作为测试集，观察 KNN 在不同的值下的分类效果。因此，我们不对数据集进行划分，而是在平面上以 0.02 为间距构造网格作为测试集。由于平面上的点是连续的，我们无法依次对它们测试，只能像这样从中采样。在没有特殊要求的情况下，我们一般采用最简单的均匀网格采样。这里，我们选用网格间距 0.02 是为了平衡测试点的个数和测试点的代表性，读者也可以调整该数值观察结果的变化。

# 设置步长
step = 0.02
# 设置网格边界
x_min, x_max = np.min(x_train[:, 0]) - 1, np.