引言
如何进行电影分类
众所周知，电影可以按照题材分类，然而题材本身是如何定义的?由谁来判定某部电影属于哪个题材?也就是说同一题材的电影具有哪些公共特征?这些都是在进行电影分类时必须要考虑的问题。
没有哪个电影人会说自己制作的电影和以前的某部电影类似，但我们确实知道每部电影在风格 上的确有可能会和同题材的电影相近。那么动作片具有哪些共有特征，使得动作片之间非常类似， 而与爱情片存在着明显的差别呢？
动作片中也会存在接吻镜头，爱情片中也会存在打斗场景，我们不能单纯依靠是否存在打斗或者亲吻来判断影片的类型。但是爱情片中的亲吻镜头更多，动作片中 的打斗场景也更频繁，基于此类场景在某部电影中出现的次数可以用来进行电影分类。
本文介绍的机器学习算法–K-近邻算法（也叫KNN算法），来解决这个类分类问题。
1. k-近邻算法原理
存在一个样本数据集合，即训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。
一般来说，我们只选择样本数据集中前K个最相似的数据，这就是K-近邻算法中K的出处,通常K是不大于20的整数。最后 ，选择K个最相似数据中出现次数最多的分类，作为新数据的分类。
那么上面提到的数据之间的相似性如何描述呢？
K-近邻算法采用测量不同特征值之间的距离方法来进行解决的。通常采用的是欧式距离进行计算。取前K个距离最近的数据，然后类别最多的一类胜出。
- 优点：精度高、对异常值不敏感、无数据输入假定。
- 缺点：时间复杂度高、空间复杂度高。
- 适用数据范围：数值型和标称型。
回到引言中电影分类的例子，使用K-近邻算法分类爱情片和动作片。有人曾经统计过很多电影的打斗镜头和接吻镜头，下图显示了6部电影的打斗和接吻次数。假如有一部未看过的电影，如何确定它是爱情片还是动作片呢？我们可以使用K-近邻算法来解决这个问题。
首先我们需要知道这个未知电影存在多少个打斗镜头和接吻镜头，上图中问号位置是该未知电影出现的镜头数图形化展示，具体数字参见下表。
现在假如我们给定一个未知电影分类的打斗镜头与接吻镜头数，我们可以计算得到样本集中所有电影与未知电影的距离，按照距离递增排序，可以找到K个距离最近的电影，然后在这K个电影中最多的分类数即为该电影的类别。
假定k=3，计算得到三个最靠近的电影依次是California Man、He’s Not Really into Dudes、Beautiful Woman。K-近邻算法按照距离最近的三部电影的类型，决定未知电影的类型，而这三部电影全是爱情片，因此我们判定未知电影是爱情片。
欧几里得距离(Euclidean Distance)
针对上述不同样本之间的距离计算方式有很多种，其中欧氏距离是最常见的距离度量方式，衡量的是多维空间中各个点之间的绝对距离。公式如下：
2. K-近邻算法的步骤
1、我们求未知点到所有样本点的距离
2、对以上求的距离进行排序（从小到大）
3、对排序号的样本点取前K个（注意K值一般不大于20）
4、对这前K个样本的标签进行分析，如果某一样本标签占优势那么未知点就属于该标签的类别
3. k-近邻算法实战–【基于scikit-learn库】
分类问题：from sklearn.neighbors import KNeighborsClassifier
回归问题：from sklearn.neighbors import KNeighborsRegressor
3.1 实战示例1–演示如何使用
根据一个人的身高、体重和鞋子尺码来判断性别
import numpy as np # 构造特征数据 x = np.array([[172,60,42], [168,56,40], [189,70,44], [160,45,36], [163,50,42], [170,65,41]]) # 给上面的特征数据加标签 y = np.array(["男","女","男","女","男","女"]) # 构造一组未知的特征数据，用于后续预测 x_test = np.array([[175,75,43],[170,60,38],[165,50,40]]) # 导入相关的算法 from sklearn.neighbors import KNeighborsClassifier # 1、创建算法模型，k-近邻分类器模型：n_neighbors代表k-近邻算法取的前k个邻居，默认为5，一般不超过20 knn = KNeighborsClassifier(n_neighbors=3) # 2、用创建好的算法模型，取对已有的数据进行训练：在k-近邻里面，训练过程就是告诉knn对象，x里面的数据对应到y中代表谁 knn.fit(x,y) # 3、根据已有的数据基础对未知的数据进行预测 # 分别拿x_test中的每一条数据和已知数据进行k-近邻运算，进而推测出每一条数据分类归属 knn.predict(x_test) # 我们可以看到，依据该算法预测出的3组数据结果为['男', '女', '女']。 # 4、性能检测 # 此处由于未设置测试数据的标签，因此无法性能检测
预测输出的结果为:array(['男', '女', '女'], dtype='<U1') • 1
3.2 实战示例2–鸢尾花分类
导入数据集并查看形状
# 导入sklearn的官方数据库 from sklearn import datasets
iris = datasets.load_iris() # 提取出特征数据 data = iris.data # 提取标签数据 target = iris.target print(data.shape) print(target.shape)
(150, 4) (150,) • 1 • 2
target
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
数据形状为：(150, 4)，说明该数据集有150条数据，每条数据包含4个特征。
通过打印出的标签数据，我们可以看到该标签分为3个类别：0,1,2。
模型训练及预测过程
# 切分数据：将数据分为训练集和测试集，使用train_test_split方法 from sklearn.model_selection import train_test_split # rain_test_split方法首先会把data和target随机打乱，提取出给出比例的数据（包括特征和标签）作为测试数据，下面使用的10%数据作为测试集 x_train, x_test, y_train, y_test = train_test_split(data,target,test_size=0.1) # 创建模型 knn = KNeighborsClassifier(n_neighbors=5) # 训练 knn.fit(x_train,y_train) # 预测：y_为预测出的结果 y_ = knn.predict(x_test) # 性能评测：查看准确率 knn.score(x_test,y_test)
1.0 • 1
我们可以看到模型预测出的结果准确率为100%。
用图像表征分类的过程
由于4个特征用二维图像无法表述，因此我们取前两个特征，来进行图像分类过程表述，仅用于演示分类的过程。
# 取前两个特征 x_train = data[:,:2] x_train.shape
(150, 2)
import matplotlib.pyplot as plt import numpy as np # 画出这150个样本对应标签的散点图 plt.scatter(x_train[:,0],x_train[:,1],c=target) plt.show()
上图中的水平与竖直坐标表征鸢尾花数据集中的前两个特征，3种颜色的散点代表着鸢尾花的3种分类。
下面我们通过KNN模型，把整个平面中所有的点根据KNN模型来划分所属类别，确定他们的范围区域。
# 测试数据是平面上所有的点(取150000个点)，300*500个点：水平：500，竖直：300 # 找所有样本点的最小值和最大值，以确定坐标区域范围 xmin,xmax = x_train[:,0].min(),x_train[:,0].max() ymin,ymax = x_train[:,1].min(),x_train[:,1].max() # 切分，水平分500等份，竖直分300等份 x = np.linspace(xmin,xmax,500) y = np.linspace(ymin,ymax,300) # 把x和y组合 xx,yy = np.meshgrid(x,y) # yy.ravel() # 将300*500个点的坐标当做需要预测的样本，赋值给x_test x_test = np.c_[xx.ravel(),yy.ravel()]
x_test.shape
(150000, 2)
x_test[:5]
array([[4.3 , 2. ], [4.30721443, 2. ], [4.31442886, 2. ], [4.32164329, 2. ], [4.32885772, 2. ]])
x_test
array([[4.3 , 2. ], [4.30721443, 2. ], [4.31442886, 2. ], ..., [7.88557114, 4.4 ], [7.89278557, 4.4 ], [7.9 , 4.4 ]])
# 画出需要进行预测的15000一个样本点 plt.scatter(x_test[:,0],x_test[:,1])
# 创建模型 knn = KNeighborsClassifier() # 训练 knn.fit(x_train,target) # 预测 y_ = knn.predict(x_test) plt.scatter(x_test[:,0],x_test[:,1],c=y_) plt.scatter(x_train[:,0],x_train[:,1],c=target,cmap="rainbow")
通过上图我们可以很清楚的看到平面上15000个测试样本点各自所在的类别，即3种类别的鸢尾花在平面上的区域范围。
模型准确率：
# 通过训练出的模型对训练数据进行预测，得到预测准确率为83% knn.score(x_train,target)
输出结果：0.83333333333333337
总结
本文主要介绍了以下几点内容：
- 机器学习中K-近邻算法的原理，
- K-近邻算法的使用步骤
- 依据鸢尾花分类问题，详细介绍了K-近邻算法的使用。同时用图像的方式对分类过程进行了描述。
