k近邻模型

k近邻模型

$$k$$近邻（k-Nearest Neighbor，简称kNN）学习是一种常用的监督式学习方法，其工作机制非常简单：

给定测试样本，基于某种距离度量找出训练集中与其最靠近的$$k$$个训练样本，然后基于这$$k$$个“邻居”的信息来进行预测。通常，在分类任务中可使用“投票法”，即选择这$$k$$个样本中出现最多的类别标记作为预测结果；在回归任务中可以使用“平均法”，即将这$$k$$个样本的实值输出标记的平均值作为预测结果；还可以基于距离远近进行加权平均或加权投票，距离越近的样本权重越大。

$$k$$近邻有个明显的不同之处：它似乎没有显示的训练过程。事实上，它是“懒惰学习”（lazy learning）的著名代表，此类学习技术在训练阶段仅仅是把样本保存起来，训练时间开销为0，待收到测试样本后再进行处理，这种称为“急切学习”。

pic source： https://helloacm.com/a-short-introduction-to-k-nearest-neighbors-algorithm/

1.距离度量

特征空间中两个实例点的距离是两个实例点的相似度的反映。$$k$$近邻模型的特征空间一般是$$n$$维实数向量空间$$R^n$$。使用的距离是欧式距离，但也可以使其他距离，比如更一般的$$L_p$$距离（$$L_p$$ distance），或Minkowski距离。

设特征空间$$X$$是$$n$$维实数向量空间$$Rn$$，$$x{(i)},x{(j)}\in X$$，$$x=(x_0, x_1, x_2, ..., x_n)T$$，$$x{(i)},x{(j)}$$的$$L_p$$距离定义为：

$$ L_p(x{(i)},x{(j)})=\big( \displaystyle\sum_{k=1}n|x{(i)}_k-x{(j)}_k|p\big)^{\frac{1}{p}} $$

这里$$p \geqslant 1$$。当$$p=2$$时，称为欧式距离（Euclidean distance），即

$$ L_2(x{(i)},x{(j)})=\big( \displaystyle\sum_{k=1}n|x{(i)}_k-x{(j)}_k|2\big)^{\frac{1}{2}} $$

当$$p=1$$时，称为曼哈顿距离（Manhanttan distance），即

$$ L_1(x{(i)},x{(j)})=\displaystyle\sum_{k=1}n|x{(i)}_k-x^{(j)}_k| $$

当$$p=\infty$$时，它是各个坐标距离的最大值，即：

$$ L_\infty(x{(i)},x{(j)})=\max_k|x{(i)}_k-x{(j)}_k| $$

下图给出了$$p$$取不同值时，与原点的$$L_p$$距离为$$1$$（$$L_p=1$$）的图形。

2. k近邻算法

输入：训练集

$$ T={(x{(1)},y{(1)}),(x{(2)},y{(2)}),...,(x{(m)},y{(m)})} $$

其中$$x{(i)}\in X= Rn$$为实例的特征向量，$$y^{(i)}\in Y={c_1, c_2, ...,c_t}$$为实例的类别，$$i=1,2,...,m$$。某个实例特征向量$$x$$。

输出：实例$$x$$的所属类别$$y$$

1）根据给定的距离度量，在训练集$$T$$中找出与$$x$$最邻近的$$k$$个点，涵盖这$$k$$个点的邻域记作$$N_k (x)$$；

2）在$$N_k (x)$$中根据分类决策规则（如多数表决）决定$$x$$的类别：

$$ y=arg \max_{c_j} \displaystyle\sum_{x_i\in N_k (x)} I(y_i=c_j) $$

其中$$i=1,2,...,m$$，$$j=1,2,...,t$$，$$I$$为指示函数，即当$$y_i=c_j$$时为$$1$$，否则为$$0$$。

$$k$$近邻的特殊情况是$$k=1$$的情形，称为最近邻算法。对于输入的实例点$$x$$，最近邻算法将训练数据集中与$$x $$最近的类作为$$x $$的类。

$$k$$值的选择会对$$k$$近邻法的结果产生重大影响。

如果选择较小的$$k$$值，“学习”的估计误差（estmation error）会增大，预测的结果会对近邻的节点比较敏感。

如果寻则较大的$$k$$值，“学习”的近似误差（approximation error）会增大，与输入实例较远的训练实例也会对预测起作用，使预测发生错误。

实际中，$$k$$一般取一个比较小的数值，并采用交叉验证法来选取最优的$$k$$值。

k近邻法最简单的办法就是线性扫描（linear scan），这时要计算输入实例和每一个训练实例的距离，当训练集很大时，非常耗时，这种方法不可行。

下面介绍$$kd$$树（$$kd$$ tree）方法。