189 8069 5689
1.K-近邻(KNearestNeighbor,KNN)算法简介 ：对于一个未知的样本，我们可以根据离它最近的k个样本的类别来判断它的类别。
成都创新互联公司是一家专注于成都网站设计、网站制作与策划设计,无锡网站建设哪家好?成都创新互联公司做网站,专注于网站建设十载,网设计领域的专业建站公司;建站业务涵盖:无锡等地区。无锡做网站价格咨询:18982081108
以下图为例，对于一个未知样本绿色小圆，我们可以选取离它最近的3的样本，其中包含了2个红色三角形，1个蓝色正方形，那么世喊我们可以判断绿色小圆属于红色三角形这一类。
我们也可以选取离它最近的5个样本，其中包含了3个蓝色正方形，2个红色三角形，那么我们可以判断绿色小圆属于蓝色正方形这一类。
3.API文档
下面我们来对KNN算法中的参数项做一个解释说明：
'n_neighbors'：选取的参考对象的个数（邻居个数），默认值为5，也可以自己指定数值，但不是n_neighbors的值越大分类效果越好，最佳值需要我们做一个验证。
'weights': 距离的权重参数，默认uniform。
'uniform': 均匀的权重，所有的点在每一个类别中的权重是一样的。简单的说，就是每个点的重要性都是一样的。
'distance'：权重与距离的倒数成正比，距离近的点重要性更高，对于结果的影响也更大。
'algorithm':运算方法，默认auto。
'auto'：根绝模型fit的数据自动选择最合适的运算方法。
'ball_tree'：树模型算法BallTree
'kd_tree'：树模型算法KDTree
'brute'：暴力算法
'leaf_size'：叶子的尺寸，默认30。只有当algorithm = 'ball_tree' or 'kd_tree'，这个参数需要设定。
'p'：闵可斯基距离，当p = 1时，选择曼哈顿距离；当p = 2时，选择欧式距离。
n_jobs：使用计算机处理器数目，默认为1。当n=-1时，使用所有的处理器进行运算。
4.应用案例演示
下面以Sklearn库中自带的数据集--手写数字识别数据集为例，来测试下kNN算法。上一章，我们简单的介绍了机器学习的一般步骤：加载数据集 - 训练模型 - 结果预测 - 保存模型。这一章我们还是按照这个步骤来执行。
[手搜笑野写数字识别数据集]
5.模型的方法
每一种模型都有一些它独有的属性方法（模型的技能，能做些什么事），下面我们来了解下knn算法常用的的属性方法。
6.knn算法的优缺点
优点：
简单，效果还不错，升拦适合多分类问题
缺点：
效率低（因为要计算预测样本距离每个样本点的距离，然后排序），效率会随着样本量的增加而降低。
乳腺癌数据包括569例细胞活检案例，每个案例有32个特征。
第一个特征是识别号码，
第二个特征是癌症诊断结果（癌症诊断结果用编码“M”表示恶性，用编码“B”表示良性），
其他30个特征是数值型的实验室测量结果。（其他30个数值型测量结果由数字化细胞核的10个不同特征的均值、标准差和最差值（即最大值）构成）。这些特征包括：
Radius（半径）、Texture（质地）、Perimeter（周长）、Area（面积）、Smoothness（光滑度）、Compactness（致密性）、Concavity（凹度）、Concave points（凹点）、Symmetry（对称性）、Fractal dimension（分形维数）
最终的数据为：
可以得到有357个为良性，有212个为恶性 因为id列没有意义，去掉id列
并将目标属性编码因子化B良性M恶性
并计算各自占比
round四舍五入round(x,digits=n)
prop.table得到边缘概率prop.table(x,margin=null)
通过summary详细地观察3个特征：可以看出不同特征的度量值差别大
kNN的距离计算在很大程度上依赖于输入特征的测量尺度。由于光滑度的范围是0.05～0.16，且面积的范围是143.5～2501.0，所以在距离计算中，面积的影响比光滑度的影响大很多，这可能潜在地导致我们的分类器出现问题，所以我们应用min-max标准化亩配卜方法将特征值重新调整到一个标准范围内,对数据通过归一化来进行无量纲处理
即显然数据需要转换，转换函数为：
我们并不需要对这30个数值变量逐个进行min-max标准化，这里可以使用R中的一个函数来自动完成此过程
lapply()函数接受一个列表作为输入参数，然后把一个具体函数应用到每一个列表元素。因为数据框是一个含有等长度向卖液量的列表，所以我们可以使用lapply()函数将normalize()函数应用到数据框中的每一个特征。最后一个步骤是，应用函数as.data.frame()把lapply()返回的列表转换成一个数据框迅穗。过程如下所示：
这里使用的后缀_n是一个提示，即wdbc中的值已经被min-max标准化了。
为了确认转换是否正确应用，让我们来看看其中一个变量的汇总统计量：
正如预期的那样，area_mean变量的原始范围是143.5～2501.0，而现在的范围是0～1。
接下来需要切分数据集，实际需要构造training、validation、test,其中validation用来校正提高模型准确性，为简单起见，我们只用train和test
第一种方法：由于我们没有新病人的数据，所以使用前469条记录作为训练数据集，剩下的100条记录用来模拟新的病人
第二种方法：如果样本中的恶性肿瘤大部分分布在1，则将469作为训练集就有很大问题，此时采用随机取样
第三种方法：直接利用"caret"包中的crateDataPartition函数可自动分区
构建模型，class包中的knn函数,由于训练数据集含有469个实例，所以我们可能尝试k = 21，它是一个大约等于469的平方根的奇数。根据二分类的结果，使用奇数将消除各个类票数相等这一情况发生的可能性。
函数knn()返回一个因子向量，为测试数据集中的每一个案例返回一个预测标签，我们将该因子向量命名为wdbc_test_pred。
现在，我们可以使用knn()函数对测试数据进行分类：
该过程的下一步就是评估wdbc_test_pred向量中预测的分类与wdbc_test_labels向量中已知值的匹配程度如何。为了做到这一点，我们可以使用gmodels添加包中的CrossTable()函数，它在第2章中介绍过。如果你还没有安装该添加包，可以使用install.packages("gmodels")命令进行安装。
在使用library(gmodels)命令载入该添加包后，可以创建一个用来标识两个向量之间一致性的交叉表。指定参数prop.chisq = FALSE，将从输出中去除不需要的卡方（chi-square）值，如下所示：
行为真实结果，列为预测结果，对角框的数字越小，模型越好
选取两个变量作为横纵坐标进行画图，观察实际类别与预测的分类结果。
颜色代表分类后得到的结果，形状代表真实的类别。从检测结果和图上都可以看出，分类结果基本与真实结果一致。
knn算法(k-Nearest Neighbor algorithm).是一种经典的分类算法.
注意,不是聚码蚂类算法.所以这种分类算法必然包括了训练过程.
然而和一般性的分类算法不同,knn算法是一种 懒惰算法 .它并非
像其他的分类算法先通过训练建立分类模型.,而是一种被动的分类
过程.它是逗帆边测试边训山模雹练建立分类模型.
算法的一般描述过程如下:
1.首先计算每个测试样本点到其他每个点的距离.
这个距离可以是欧氏距离,余弦距离等.