K-近邻算法 (KNN)

K-近邻 (KNN) 算法是一种分类方法，以其简单性和出人意料的有效性而闻名。它是一种基于实例或非参数学习器，代表着与传统线性模型不同的算法家族。

与通过估计参数（如逻辑回归中的系数）学习明确决策边界的模型不同，KNN 基于相似性原则运行。其核心是，KNN 根据特征空间中其 'K' 个最近邻居的多数类别来分类新的数据点。

KNN 的工作方式：基于接近度的分类

设想你有一个数据集，绘制在一个多维空间中，其中每个轴表示一个特征。这个空间中的每个点都属于一个已知类别。当一个新的未分类数据点出现时，KNN 遵循以下步骤：

1. 计算距离： 它计算新点与训练数据集中每个现有数据点之间的距离。最常用的距离度量是欧几里得距离，尽管也可以使用曼哈顿距离等其他度量。对于 $n$ 维特征空间中的两个点 $p = (p_1, p_2, ..., p_n)$ 和 $q = (q_1, q_2, ..., q_n)$，欧几里得距离为： $$d(p, q) = \sqrt{(p_1 - q_1)^2 + (p_2 - q_2)^2 + ... + (p_n - q_n)^2}$$
2. 识别邻居： 它识别训练集中距离新点最近（距离最小）的 'K' 个数据点。这些就是它的 'K' 个最近邻居。
3. 多数表决： 它查看这些 'K' 个邻居的类别。新的数据点被分配到其邻居中的多数类别。例如，如果 K=5，且 3 个邻居属于类别 A，2 个属于类别 B，则新点被分类为类别 A。如果出现平局（例如 K=4，其中 2 个邻居属于类别 A，2 个属于类别 B），通常会随机打破平局或通过考虑距离来解决。

以下可视化说明了 K=3 时的这一点。

新的黄色星形点需要分类。其 3 个最近邻居（绿色圈出）被识别。其中两个邻居属于类别 A（蓝色），一个邻居属于类别 B（粉色）。通过多数表决（2 对 1），新点被分类为类别 A。

K 值选择

邻居的数量 'K' 是一个超参数，它显著影响模型的行为。

• 小 'K' (例如, K=1)： 模型对噪声和异常值非常敏感。决策边界可能高度不规则，可能导致高方差和过拟合。
• 大 'K'： 模型变得更平滑，对局部变化不那么敏感。决策边界变得更通用。然而，如果 'K' 过大（例如，K 等于数据点总数），模型可能会变得过于偏颇，并预测所有新点为多数类别，导致高偏差和欠拟合。

选择最佳 'K' 通常需要实验，并使用交叉验证（我们将在第 5 章介绍）等方法来评估不同 'K' 值下的性能。在二分类问题中，通常建议选择奇数 'K' 值以避免平局。

特征缩放的重要性

使用 KNN 的一个重要方面是它对特征尺度的敏感性。由于 KNN 依赖于距离计算，数值范围较大的特征可能会不成比例地主导距离度量，从而有效地减弱数值范围较小特征的影响。例如，如果一个特征的范围是 0 到 1000，而另一个特征的范围是 0 到 1，那么第一个特征将几乎完全决定距离计算。

因此，在应用 KNN 之前，几乎总是需要对你的特征进行缩放。常见的缩放技术包括使用 StandardScaler 进行标准化（缩放到零均值和单位方差），或使用 MinMaxScaler 进行归一化（缩放到一个范围，通常是 [0, 1]）。我们将在第 4 章：数据预处理和特征工程中详细介绍这些技术。

KNN 的优点和缺点

优点：

• 简单性： 该算法易于理解和实现。
• 非参数性： 它对底层数据分布没有强假设。这使得它能够学习复杂的决策边界。
• 适应性： 当新的训练数据可用时，模型可以轻松适应，无需从头开始重新训练（尽管查找邻居的计算量会变得更大）。

缺点：

• 计算成本： 计算与所有训练点的距离可能很慢且内存密集，特别是对于大型数据集（样本或特征数量多）。这通常被称为“维度灾难”。
• 对不相关特征的敏感性： 无助于区分类别的特征会降低性能，因为它们仍然参与距离计算。特征选择或降维技术可能会有所帮助。
• 对特征缩放的敏感性： 如前所述，性能严重依赖于适当的特征缩放。
• 需要最佳 'K'： 性能对 'K' 的选择很敏感。

KNN 提供了一种基于实例相似性的根本不同的分类方法。在下一节中，我们将介绍如何使用 Scikit-learn 实现 KNeighborsClassifier 并将其应用于实际分类问题。