机器学习

唐宇迪机器学习笔记5:K近邻算法实战

本文主要是介绍唐宇迪机器学习笔记5:K近邻算法实战,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

目录

一、K近邻算法概述

1、Airbnb 房价预测任务

数据读取

数据特征

2、K近邻原理

3、距离的定义(欧氏距离)

4、实例

二、模型的评估

1、首先制定好训练集和测试集

2、基于单变量预测价格

3、进行衡量

三、数据预处理

特征数据预处理——标准化与归一化

标准化

归一化

四、sklearn库与功能

五、多变量KNN模型

1、多变量距离的计算

2、多变量KNN模型 

3、使用Sklearn来完成KNN 

4、加入更多的特征


分类/回归问题都可以用该算法解决

一、K近邻算法概述

1、Airbnb 房价预测任务

数据读取

import pandas as pd

features = ['accommodates','bedrooms','bathrooms','beds','price','minimum_nights','maximum_nights','number_of_reviews']

dc_listings = pd.read_csv('listings.csv')

dc_listings = dc_listings[features]

print(dc_listings.shape)

dc_listings.head()

数据特征

  • accommodates: 可以容纳的旅客
  • bedrooms: 卧室的数量
  • bathrooms: 厕所的数量
  • beds: 床的数量
  • price: 每晚的费用
  • minimum_nights: 客人最少租了几天
  • maximum_nights: 客人最多租了几天
  • number_of_reviews: 评论的数量

如果我有一个1个房间的房子,我能租多少钱呢???再综合考虑这三个就得到了我的房子大概能值多钱!

需要去看看1个房间的别人都租到多少钱!

K代表候选对象个数,也就是找和房间数量最相近的其他房子的价格

2、K近邻原理

假设我们的数据源中只有5条信息,现在想针对我的房子(只有一个房间)来定一个价格。

在这里假设我们选择的K=3,也就是选3个跟我最相近的房源。 

 综合考虑这三个,得到了我的房子大概能值多钱!

3、距离的定义(欧氏距离)

 如何才能知道哪些数据样本跟我最相近呢?

其中Q1到Qn是一条数据的所有特征信息,P1到Pn是另一条数据的所有特征信息

4、实例

1、假设我们的房子有3个房间

import numpy as np

our_acc_value = 3

dc_listings['distance'] = np.abs(dc_listings.accommodates - our_acc_value)
dc_listings.distance.value_counts().sort_index()

2、这里我们只用了绝对值来计算,和我们距离为0的(同样数量的房间)有461个 

3、 洗牌(打乱顺序),得到洗牌后的数据

dc_listings = dc_listings.sample(frac=1,random_state=0)
dc_listings = dc_listings.sort_values('distance')
dc_listings.price.head()

 

4、问题:这里面的数据是字符串,需要转换一下! 

dc_listings['price'] = dc_listings.price.str.replace("\$|,",'').astype(float)

mean_price = dc_listings.price.iloc[:5].mean()
mean_price

5、得到了平均价格,也就是我们的房子大致的价格了 。

二、模型的评估

判断预测的值准不准!

将数据集进行切分,分成一个训练集(训练)和测试集(衡量效果)。

1、首先制定好训练集和测试集

dc_listings.drop('distance',axis=1)
​
train_df = dc_listings.copy().iloc[:2792]
test_df = dc_listings.copy().iloc[2792:]

2、基于单变量预测价格

只算绝对值。

def predict_price(new_listing_value,feature_column):
    temp_df = train_df
    temp_df['distance'] = np.abs(dc_listings[feature_column] - new_listing_value)
    temp_df = temp_df.sort_values('distance')
    knn_5 = temp_df.price.iloc[:5]
    predicted_price = knn_5.mean()
    return(predicted_price)
test_df['predicted_price'] = test_df.accommodates.apply(predict_price,feature_column='accommodates')

这样我们就得到了测试集中,所有房子的价格了。

3、进行衡量

计算root mean squared error (RMSE)均方根误差

test_df['squared_error'] = (test_df['predicted_price'] - test_df['price'])**(2)
mse = test_df['squared_error'].mean()
rmse = mse ** (1/2)
rmse

 现在我们得到了对于一个变量的模型评估得分(越低越好)

三、数据预处理

不同的变量效果会不会不同呢?

for feature in ['accommodates','bedrooms','bathrooms','number_of_reviews']:
    #test_df['predicted_price'] = test_df.accommodates.apply(predict_price,feature_column=feature)
    test_df['predicted_price'] = test_df[feature].apply(predict_price,feature_column=feature)
    test_df['squared_error'] = (test_df['predicted_price'] - test_df['price'])**(2)
    mse = test_df['squared_error'].mean()
    rmse = mse ** (1/2)
    print("RMSE for the {} column: {}".format(feature,rmse))

看起来结果差异挺大,接下来综合利用所有的信息来一起进行测试 。

当用欧氏距离进行评估时,有些特征数据取值较大,有些特征数据取值较小。 

由于特征值不同,导致在数值上有较大和较小的差异。需要对数据进行预处理。

特征数据预处理——标准化与归一化

  • 标准化

对原始数据进行处理,进行standardization(或者叫做Z-score normalization)

要求:均值\mu =0和标准差\large \sigma =1

转换公式如下:z=\frac{x-\mu }{\sigma }

意义:如果特征值之间的数值差异太大,那么更新的结果肯定会产生较大的差异。在最开始的时候,我们认为特征之间的重要程度是一样的,因此预处理的工作必须做!!

\Delta w_{j}=-\eta \frac{\partial J}{\partial w_{j}}=\eta\sum_{i}(t^{i}-o^{i})x_{j}^{(i)}

参数更新:w_{j}:=w_{j}+\Delta w_{j}

  • 归一化

Min-Max scalling(或者叫“normalization”,也就是我们常说的0-1归一化)

处理后的所有特征的值都会被压缩到0到1区间上,这样做还可以抑制离群值对结果的影响。

归一化的公式:X_{norm}=\frac{X-X_{min}}{X_{max}-X_{min}}

四、sklearn库与功能

python中使用最多的一个机器学习库。

(模块:分类、回归、距离、降维、模型选择、数据预处理

API文档:API Reference — scikit-learn 1.0.2 documentation

学习案例:Examples — scikit-learn 1.0.2 documentation

标准化和归一化后数据分布不会发生变化,取值范围会发生改变

import pandas as pd
from sklearn.preprocessing import StandardScaler
features = ['accommodates','bedrooms','bathrooms','beds','price','minimum_nights','maximum_nights','number_of_reviews']

dc_listings = pd.read_csv('listings.csv')

dc_listings = dc_listings[features]

dc_listings['price'] = dc_listings.price.str.replace("\$|,",'').astype(float)

dc_listings = dc_listings.dropna()

dc_listings[features] = StandardScaler().fit_transform(dc_listings[features])

normalized_listings = dc_listings

print(dc_listings.shape)

normalized_listings.head()

 排除了大的数值和小的数值之间从差异。

五、多变量KNN模型

1、多变量距离的计算

scipy中已经有现成的距离的计算工具了 

from scipy.spatial import distance

first_listing = normalized_listings.iloc[0][['accommodates', 'bathrooms']]
fifth_listing = normalized_listings.iloc[20][['accommodates', 'bathrooms']]
first_fifth_distance = distance.euclidean(first_listing, fifth_listing)
first_fifth_distance

2、多变量KNN模型 

3、使用Sklearn来完成KNN 

 1、导入需要使用的模块;对KNN模型进行实例化;.fit:进行模型的训练;预测测试集之后的结果。

from sklearn.neighbors import KNeighborsRegressor
cols = ['accommodates','bedrooms']
knn = KNeighborsRegressor(n_neighbors=20)
knn.fit(norm_train_df[cols], norm_train_df['price'])
two_features_predictions = knn.predict(norm_test_df[cols])

2、 计算RMSE结果 0.813735533525

from sklearn.metrics import mean_squared_error

two_features_mse = mean_squared_error(norm_test_df['price'], two_features_predictions)
two_features_rmse = two_features_mse ** (1/2)
print(two_features_rmse)

4、加入更多的特征

knn = KNeighborsRegressor()

cols = ['accommodates','bedrooms','bathrooms','beds','minimum_nights','maximum_nights','number_of_reviews']

knn.fit(norm_train_df[cols], norm_train_df['price'])
four_features_predictions = knn.predict(norm_test_df[cols])
four_features_mse = mean_squared_error(norm_test_df['price'], four_features_predictions)
four_features_rmse = four_features_mse ** (1/2)
four_features_rmse

K近邻不适用数据量大时。

这篇关于唐宇迪机器学习笔记5:K近邻算法实战的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!