本文作者通過(guò)Knn算法進(jìn)行了一次用戶判斷預(yù)測(cè)的流程，文章為作者根據(jù)自身經(jīng)驗(yàn)所做出的總結(jié)，希望通過(guò)此文能夠加深你對(duì)Knn算法的認(rèn)識(shí)。

knn算法簡(jiǎn)介

K最近鄰(k-Nearest Neighbor，KNN)分類算法，是一個(gè)理論上比較成熟的方法，也是最簡(jiǎn)單的機(jī)器學(xué)習(xí)算法之一。knn的基本思路是：如果一個(gè)樣本在特征空間中的k個(gè)最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。

如下圖所示，如何判斷綠色圓應(yīng)該屬于哪一類，是屬于紅色三角形還是屬于藍(lán)色四方形？

如果K=3，由于紅色三角形所占比例為2/3，綠色圓將被判定為屬于紅色三角形那個(gè)類

如果K=5，由于藍(lán)色四方形比例為3/5，因此綠色圓將被判定為屬于藍(lán)色四方形類。

由于KNN最鄰近分類算法在分類決策時(shí)只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來(lái)決定待分類樣本所屬的類別，而不是靠判別類域的方法來(lái)確定所屬類別的，因此對(duì)于類域的交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其他方法更為適合。

因此，k值的選擇、距離度量以及分類決策規(guī)則是k近鄰算法的三個(gè)基本要素。

真實(shí)業(yè)務(wù)場(chǎng)景

某公司存在有一些數(shù)據(jù)樣本（500*5矩陣），是關(guān)于人群屬性的一些特征，希望通過(guò)已知數(shù)據(jù)的特征，推測(cè)出部分目標(biāo)數(shù)據(jù)的性質(zhì)，假如特征向量包含：

1. 平均每日游戲時(shí)長(zhǎng)-game time
2. 異性朋友數(shù)-female friends
3. 周末在家時(shí)長(zhǎng)-stay-in time
4. 用戶接受類型-attr（attr是目標(biāo)判斷屬性，同時(shí)也是標(biāo)記屬性）

問(wèn)題：我們需要根據(jù)已知的這些屬性，判斷最后一個(gè)樣本的屬性是“Y”還是“N”

數(shù)據(jù)特征分析

我們所拿到的這批數(shù)據(jù)是500*5的矩陣，以平均每日游戲時(shí)長(zhǎng)，異性朋友數(shù)，周末在家時(shí)長(zhǎng)為軸，將不同屬性的點(diǎn)用不同顏色區(qū)分，利用matplotlib繪制散點(diǎn)圖，最終效果如圖。

由于這些測(cè)試數(shù)據(jù)在空間的分布非常集中，所以對(duì)于需要驗(yàn)證的點(diǎn)（紅，綠兩點(diǎn)），我們很容易區(qū)分出這些點(diǎn)的屬性
結(jié)合本次的業(yè)務(wù)場(chǎng)景，我們將通過(guò)前三種特征的空間分布，對(duì)attr屬性進(jìn)行預(yù)測(cè)

具體算法

在三維空間中，我們可以直觀判斷，那在具體的算法實(shí)現(xiàn)中，可以考慮使用

n維空間的歐氏距離：

通過(guò)以上公式，我們能對(duì)多維度數(shù)據(jù)進(jìn)行分析，得到目標(biāo)與各點(diǎn)的距離。

同時(shí)，細(xì)心的讀者肯定考慮到，我們已知的這些特征，存在量級(jí)之間的差異，所以我們通常需要通過(guò)歸一化特征值，對(duì)消除不同量級(jí)造成的影響。因此，我們選用0-1標(biāo)準(zhǔn)化(0-1 normalization)對(duì)原始數(shù)據(jù)的線性變換。

0-1標(biāo)準(zhǔn)化:

在通過(guò)以上兩步對(duì)數(shù)據(jù)預(yù)處理完成后，我們將所得的距離進(jìn)行排序，并選取合適的K值對(duì)目標(biāo)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

在此選擇k=10（僅舉例），可以發(fā)現(xiàn)，前10項(xiàng)中Y出現(xiàn)的次數(shù)最多，因此我們可以認(rèn)為目標(biāo)數(shù)據(jù)的值為Y。

knn算法總結(jié)

在數(shù)據(jù)分析團(tuán)隊(duì)確定好數(shù)據(jù)特征后，對(duì)相應(yīng)數(shù)據(jù)進(jìn)行收集及清洗，對(duì)各數(shù)據(jù)特征進(jìn)行歸一化處理（視具體業(yè)務(wù)場(chǎng)景定，或需特征考慮權(quán)重），完成以上流程后，進(jìn)行以下通用流程：

1. 計(jì)算測(cè)試數(shù)據(jù)與各個(gè)訓(xùn)練數(shù)據(jù)之間的距離；
2. 按照距離的遞增關(guān)系進(jìn)行排序；
3. 選取距離最小的K個(gè)點(diǎn)；
4. 確定前K個(gè)點(diǎn)所在類別的出現(xiàn)頻率；
5. 返回前K個(gè)點(diǎn)中出現(xiàn)頻率最高的類別作為測(cè)試數(shù)據(jù)的預(yù)測(cè)分類。

最后，我們簡(jiǎn)單總結(jié)一下Knn的適用場(chǎng)景

• 數(shù)據(jù)已存在標(biāo)記特征，Knn是監(jiān)督算法
• 樣本數(shù)在100k以下，由于算法會(huì)對(duì)每個(gè)目標(biāo)值進(jìn)行多維度距離計(jì)算，所以樣本過(guò)大可能超負(fù)荷
• 樣本非文本，或可轉(zhuǎn)化為數(shù)值

以上便是通過(guò)Knn算法進(jìn)行了一次用戶判斷預(yù)測(cè)的流程，文中所展示內(nèi)容均為模擬數(shù)據(jù)，且選擇了其中最簡(jiǎn)單的判斷屬性。如文中有遺漏及不足，請(qǐng)各位指出。

本文由 @Dave Fu 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自 unsplash，基于 CC0 協(xié)議