KNN

Julia999

我们都知道，物以类聚，人以群分，所以根据某些属性，我们可以用距离对事物进行分类，KNN 算法就是根据距离进行类别的划分的。KNN原理：
      欧氏距离（欧几里得距离（这个，初中生都会滴吧~））
      距离近，就是同一个类别
K近邻法（KNN）：
K近邻：
K也就是找K个邻居（计算所有点的距离（欧氏距离），从其中找到最小的k个邻居，选取其中数目最多的类别作为划分到的类别）


具体例子：（K是可变的!）
       有一个图（自己脑补吧...），如果K=3，那么离我们的划分点最近的有2个红色的点和一个蓝色的点，这3个点投票，于是我们的划分点就被分到红色
       如果K=5，那么就会有2个红色，3个蓝色，投票，我们的点就会属于蓝色
       所以我们可以看到，KNN的本质是基于一种数据统计的方法。


但是,KNN也有一定的缺点，空间复杂度和时间复杂度都比较高（因为每一次都要计算所有的点的距离）（所以我们的数据量最好不要太多）
优点：原理特别简单~


KNN的使用：
    准备数据：可以是DataFrame的数据，也可以是numpy类型的数据
    数据x必须是二维的【样本一】，【样本二】，【样本三】,.....
    目标值y没有特定的要求


使用算法进行训练：
      knn.fit(x,y)
使用算法进行预测：
      knn.predict(x_test)  直接返回结果




小例子1：

1. #将电影进行划分，爱情片和动作片
   
2. import numpy as np
   
3. import pandas as pd
   
4. from pandas import Series,DataFrame
   
5. #导入算法
   
6. from sklearn.neighbors import KNeighborsClassifier
   
7. 
   
8. data=pd.read_csv('C:/Users/YY/Desktop/movies.csv')
   
9. data
   
10. 
    
11. x=data[['武打镜头','接吻镜头']]
    
12. y=data[['分类情况']]
    
13. 
    
14. knn=KNeighborsClassifier(n_neighbors=5)
    
15. #进行训练
    
16. knn.fit(x,y)
    
17. 
    
18. #使用算法进行预测
    
19. #生成数据:碟中谍6---》动作片
    
20. #再给一个电影：理查的姑妈-->爱情片
    
21. x_test=np.array([[100,2],[2,15]])
    
22. knn.predict(x_test)
    

复制代码