姊妹篇：
上次介绍了KNN的基本原理，以及KNN的几个窍门，这次就来用sklearn实践一下KNN算法。
一.Skelarn KNN参数概述
要使用sklearnKNN算法进行分类，我们需要先了解sklearnKNN算法的一些基本参数，那么这节就先介绍这些内容吧。
def KNeighborsClassifier(n_neighbors = 5, weights='uniform', algorithm = '', leaf_size = '30', p = 2, metric = 'minkowski', metric_params = None, n_jobs = None ) - n_neighbors：这个值就是指 KNN 中的 “K”了。前面说到过，通过调整 K 值，算法会有不同的效果。- weights（权重）：最普遍的 KNN 算法无论距离如何，权重都一样，但有时候我们想搞点特殊化，比如距离更近的点让它更加重要。这时候就需要 weight 这个参数了，这个参数有三个可选参数的值，决定了如何分配权重。参数选项如下： • 'uniform'：不管远近权重都一样，就是最普通的 KNN 算法的形式。 • 'distance'：权重和距离成反比，距离预测目标越近具有越高的权重。 • 自定义函数：自定义一个函数，根据输入的坐标值返回对应的权重，达到自定义权重的目的。- algorithm：在 sklearn 中，要构建 KNN 模型有三种构建方式，1. 暴力法，就是直接计算距离存储比较的那种放松。2. 使用 kd 树构建 KNN 模型 3. 使用球树构建。 其中暴力法适合数据较小的方式，否则效率会比较低。如果数据量比较大一般会选择用 KD 树构建 KNN 模型，而当 KD 树也比较慢的时候，则可以试试球树来构建 KNN。参数选项如下： • 'brute' ：蛮力实现 • 'kd_tree'：KD 树实现 KNN • 'ball_tree'：球树实现 KNN • 'auto'： 默认参数，自动选择合适的方法构建模型不过当数据较小或比较稀疏时，无论选择哪个最后都会使用 'brute' - leaf_size：如果是选择蛮力实现，那么这个值是可以忽略的，当使用KD树或球树，它就是是停止建子树的叶子节点数量的阈值。默认30，但如果数据量增多这个参数需要增大，否则速度过慢不说，还容易过拟合。- p：和metric结合使用的，当metric参数是"minkowski"的时候，p=1为曼哈顿距离， p=2为欧式距离。默认为p=2。- metric：指定距离度量方法，一般都是使用欧式距离。 • 'euclidean' ：欧式距离 • 'manhattan'：曼哈顿距离 • 'chebyshev'：切比雪夫距离 • 'minkowski'： 闵可夫斯基距离，默认参数- n_jobs：指定多少个CPU进行运算，默认是-1，也就是全部都算。
二. KNN代码实例
KNN算法算是机器学习里面最简单的算法之一了，我们来sklearn官方给出的例子，来看看KNN应该怎样使用吧：
数据集使用的是著名的鸢尾花数据集，用KNN来对它做分类。我们先看看鸢尾花长的啥样。
上面这个就是鸢尾花了，这个鸢尾花数据集主要包含了鸢尾花的花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性（特征），以及鸢尾花卉属于『Setosa，Versicolour，Virginica』三个种类中的哪一类（这三种都长什么样我也不知道）。
在使用KNN算法之前，我们要先决定K的值是多少，要选出最优的K值，可以使用sklearn中的交叉验证方法，代码如下：
from sklearn.datasets import load_irisfrom sklearn.model_selection import cross_val_scoreimport matplotlib.pyplot as pltfrom sklearn.neighbors import KNeighborsClassifier#读取鸢尾花数据集iris = load_iris()x = iris.datay = iris.targetk_range = range(1, 31)k_error = []#循环，取k=1到k=31，查看误差效果for k in k_range: knn = KNeighborsClassifier(n_neighbors=k) #cv参数决定数据集划分比例，这里是按照5:1划分训练集和测试集 scores = cross_val_score(knn, x, y, cv=6, scoring='accuracy') k_error.append(1 - scores.mean())#画图，x轴为k值，y值为误差值plt.plot(k_range, k_error)plt.xlabel('Value of K for KNN')plt.ylabel('Error')plt.show() 运行后，我们可以得到下面这样的图：
有了这张图，我们就能明显看出K值取多少的时候误差最小，这里明显是K=11最好。当然在实际问题中，如果数据集比较大，那为减少训练时间，K的取值范围可以缩小。 有了K值我们就能运行KNN算法了，具体代码如下：
import matplotlib.pyplot as pltfrom numpy import *from matplotlib.colors import ListedColormapfrom sklearn import neighbors, datasetsn_neighbors = 11# 导入一些要玩的数据iris = datasets.load_iris()x = iris.data[:, :2] # 我们只采用前两个feature,方便画图在二维平面显示y = iris.targeth = .02 # 网格中的步长# 创建彩色的图cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])#weights是KNN模型中的一个参数，上述参数介绍中有介绍，这里绘制两种权重参数下KNN的效果图for weights in ['uniform', 'distance']: # 创建了一个knn分类器的实例，并拟合数据。 clf = neighbors.KNeighborsClassifier(n_neighbors, weights=weights) clf.fit(x, y) # 绘制决策边界。为此，我们将为每个分配一个颜色 # 来绘制网格中的点 [x_min, x_max]x[y_min, y_max]. x_min, x_max = x[:, 0].min() - 1, x[:, 0].max() + 1 y_min, y_max = x[:, 1].min() - 1, x[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) # 将结果放入一个彩色图中 Z = Z.reshape(xx.shape) plt.figure() plt.pcolormesh(xx, yy, Z, cmap=cmap_light) # 绘制训练点 plt.scatter(x[:, 0], x[:, 1], c=y, cmap=cmap_bold) plt.xlim(xx.min(), xx.max()) plt.ylim(yy.min(), yy.max()) plt.title("3-Class classification (k = %i, weights = '%s')" % (n_neighbors, weights))plt.show() KNN和Kmeans
前面说到过，KNN和Kmeans听起来有些像，但本质是有区别的，这里我们就顺便说一下两者的异同吧。
相同：
- K值都是重点
- 都需要计算平面中点的距离
相异：
Knn和Kmeans的核心都是通过计算空间中点的距离来实现目的，只是他们的目的是不同的。KNN的最终目的是分类，而Kmeans的目的是给所有距离相近的点分配一个类别，也就是聚类。简单说，就是画一个圈，KNN是让进来圈子里的人变成自己人，Kmeans是让原本在圈内的人归成一类人。
以上