knn算法简单易懂介绍（机器学习-KNNk-nearestneighbor）

k近邻法（k-nearest neighbor, kNN）是一种基本分类与回归方法，其基本做法是：给定测试实例，基于某种距离度量找出训练集中与其最靠近的k个实例点，然后基于这k个最近邻的信息来进行预测。

通常，在分类任务中可使用“投票法”，即选择这k个实例中出现最多的标记类别作为预测结果；在回归任务中可使用“平均法”，即将这k个实例的实值输出标记的平均值作为预测结果；还可基于距离远近进行加权平均或加权投票，距离越近的实例权重越大。

k近邻法不具有显式的学习过程，事实上，它是懒惰学习（lazy learning）的著名代表，此类学习技术在训练阶段仅仅是把样本保存起来，训练时间开销为零，待收到测试样本后再进行处理。

本文只讨论分类问题中的k近邻法，下一篇文章将会介绍KNN分类的实际案例。

KNN（k-NearestNeighbor）又被称为近邻算法，它的核心思想是：物以类聚，人以群分

假设一个未知样本数据x需要归类，总共有ABC三个类别，那么离x距离最近的有k个邻居，这k个邻居里有k1个邻居属于A类，k2个邻居属于B类，k3个邻居属于C类，如果k1>k2>k3，那么x就属于A类，也就是说x的类别完全由邻居来推断出来。

所以我们可以总结出其算法步骤为：

• 计算测试对象到训练集中每个对象的距离
• 按照距离的远近排序
• 选取与当前测试对象最近的k的训练对象，作为该测试对象的邻居
• 统计这k个邻居的类别频率
• k个邻居里频率最高的类别，即为测试对象的类别

我们可以简化为：找邻居 投票决定

优点

• 非常简单的分类算法没有之一，人性化，易于理解，易于实现
• 适合处理多分类问题，比如推荐用户

缺点

• 属于懒惰算法，时间复杂度较高，因为需要计算未知样本到所有已知样本的距离
• 样本平衡度依赖高，当出现极端情况样本不平衡时，分类绝对会出现偏差
• 可解释性差，无法给出类似决策树那样的规则

由KNN的自身属性所决定的，基于现有类别计算距离投票选择，所以不能发现新的类别，但对于固定类别，KNN的简单易用的特性就完全的显示出来了，在某些分类上，比SVM，决策树等有着并不逊色的性能。在进行固定类别分类的时候，模型选择的时可以以KNN作为基础标准进行模型选择，说不定会有意外的惊喜。目前KNN应用比较成熟的方向主要有，内容的推荐，文本的识别等。

KNN算法在实际应用时，最主要的参数主要有三个：距离算法的选择、K值的选择、投票时的权重计算

5.1距离算法的选择

目前主流的距离计算的算法主要有以下几种：

• 欧式距离：是应用最多的距离计算算法
• 曼哈顿距离：应用相对较少，可在交叉验证中选择查看
• 余弦距离：两个向量之间的夹角大小，主要用来计算文本相似性

5.2K值的选择

K值指的是，在进行分类投票时，选择多少距离最小的类别进行投票，K值的大小会对分类器的结果产生直接的影响，这个可以通过交叉验证确定最佳K值。

5.3投票时的权重计算

k近邻默认的投票方法是分类决策规则往往是多数表决，即由输入实例的k个邻近的训练实例中的多数类，决定输入实例的类。即在取出的K个分类中，出现最多的分类及分类的结果。

同时也可采用对K个临近的记录不同的距离进行加权，距离近的权重高，距离远的权重低来进行投票。常用的距离加权函数为高斯函数。