一、机器学习概述
机器学习（Machine Learning, ML）是人工智能的核心分支，旨在通过算法让计算机从数据中自动学习规律并优化性能，而无需显式编程。这一技术领域起源于20世纪50年代，随着计算能力的提升和大数据时代的到来，在21世纪得到了迅猛发展。
1. 基本概念
机器学习通过数据训练模型，使其能够识别模式、做出预测或决策。与传统编程不同，机器学习系统不是通过直接编写规则，而是通过分析大量数据来"学习"如何完成任务。
2. 核心思想
其核心是"从经验中自动改进"，这一思想模仿了人类的学习过程。机器学习系统通过不断调整内部参数，逐步提高在特定任务上的表现。
3. 关键三要素
机器学习的实现依赖于三大基本要素：
- 数据：训练材料，包括结构化数据（如数据库表格）和非结构化数据（如文本、图像）
- 模型：输入到输出的映射函数，如决策树、神经网络等
- 算法：优化方法如梯度下降、随机梯度下降等
机器学习算法分类
1. 监督学习（Supervised Learning）
监督学习使用标注数据训练模型，需要提供输入数据和对应的正确输出（标签）。主要应用包括：
分类：预测离散类别
- 垃圾邮件识别（二分类）
- 手写数字识别（多分类）
- 医疗影像诊断（如识别肿瘤类型）
回归：预测连续数值
- 房价预测（基于面积、位置等特征）
- 股票价格预测
- 销售预测
常用算法：
- 线性回归
- 逻辑回归
- 支持向量机(SVM)
- 决策树
- 随机森林
2. 无监督学习（Unsupervised Learning）
无监督学习从无标签数据中发现隐藏的结构和模式。主要应用包括：
聚类：
- K-Means：客户细分、文档分类
- 层次聚类：生物学的物种分类
- DBSCAN：异常检测
降维：
- 主成分分析(PCA)：数据可视化、特征提取
- t-SNE：高维数据可视化
- 自编码器：图像压缩
关联规则学习：
- 购物篮分析（啤酒与尿布）
- 推荐系统
3. 强化学习（Reinforcement Learning）
强化学习通过环境交互学习最优策略，其核心是"试错学习"。主要特点包括：
应用场景：
- 游戏AI（AlphaGo、星际争霸AI）
- 机器人控制（行走、抓取）
- 自动驾驶决策
- 金融交易策略
关键概念：
- 智能体(Agent)
- 环境(Environment)
- 奖励(Reward)
- 策略(Policy)
算法分类：
- 基于价值的方法（Q-Learning）
- 基于策略的方法（Policy Gradients）
- Actor-Critic方法
机器学习库
在Python中进行机器学习开发时，Scikit-learn是最常用的机器学习库之一。它提供了各种监督学习和无监督学习算法，以及数据预处理、模型评估等工具，是机器学习入门和实践的最佳选择
pip install scikit-learn ==1.0.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
#篇使用版本为1.0.2
#导入方法如下
import sklearn二、KNN（K-Nearest Neighbors，K近邻）算法
1.核心思想
KNN是一种基于实例的监督学习算法，其核心假设是“相似的数据点在特征空间中彼此靠近”。通过计算待预测样本与训练集中所有样本的距离，选择最近的K个邻居，根据这些邻居的类别（分类任务）或数值（回归任务）进行预测。本篇以分类为主。
算法步骤
数据准备
标准化/归一化特征：消除量纲差异对距离计算的影响（如使用StandardScaler）
- 详细步骤：
- 计算每个特征的均值（μ）和标准差（σ）
- 对每个特征值x进行变换：(x-μ)/σ
- 示例：若特征A的范围是0-1000，特征B的范围是0-1，标准化后两个特征都服从均值为0、标准差为1的分布
- 应用场景：当特征的单位不同（如身高cm vs 体重kg）或数值范围差异较大时
距离计算
常用距离度量：
欧氏距离（默认）：适用于连续特征
- 公式：d(x,y)=√(∑(x_i-y_i)^2)
- 几何解释：两点在n维空间中的直线距离
- 示例：在二维空间中，点(1,3)和(4,7)的距离为√((1-4)^2 + (3-7)^2)=5
曼哈顿距离：适用于网格路径数据
- 公式：d(x,y)=∑|x_i-y_i|
- 别称：城市街区距离
- 适用场景：棋盘格移动、城市道路规划等网格状路径系统
- 示例：在二维网格中，(1,3)到(4,7)的距离为|1-4| + |3-7|=7
选择K个最近邻
按距离排序，选取前K个样本
- 关键步骤：
- 计算待分类样本与所有训练样本的距离
- 将所有距离按从小到大排序
- 选择距离最小的K个样本
- 注意事项：K值通常取奇数（如3/5/7）以避免平票情况
投票决策
统计K个邻居的类别频率，将待分类样本划入频率最高的类别
- 具体流程：
- 统计K个邻居中每个类别出现的次数
- 选择出现次数最多的类别作为预测结果
- 平票处理：可随机选择或考虑更小的K值
- 扩展：也可使用加权投票，距离近的邻居投票权重更大
数据准备
标准化/归一化特征：消除量纲差异对距离计算的影响（如使用StandardScaler）
- 详细步骤：
- 计算每个特征的均值（μ）和标准差（σ）
- 对每个特征值x进行变换：(x-μ)/σ
- 示例：若特征A的范围是0-1000，特征B的范围是0-1，标准化后两个特征都服从均值为0、标准差为1的分布
- 应用场景：当特征的单位不同（如身高cm vs 体重kg）或数值范围差异较大时
距离计算
常用距离度量：
欧氏距离（默认）：适用于连续特征
- 公式：
- 几何解释：两点在n维空间中的直线距离
- 示例：在二维空间中，点(1,3)和(4,7)的距离为√((1-4)^2 + (3-7)^2)=5
曼哈顿距离：适用于网格路径数据
- 公式：
- 别称：城市街区距离
- 适用场景：棋盘格移动、城市道路规划等网格状路径系统
- 示例：在二维网格中，(1,3)到(4,7)的距离为|1-4| + |3-7|=7
选择K个最近邻
按距离排序，选取前K个样本
- 关键步骤：
- 计算待分类样本与所有训练样本的距离
- 将所有距离按从小到大排序
- 选择距离最小的K个样本
- 注意事项：K值通常取奇数（如3/5/7）以避免平票情况
投票决策
统计K个邻居的类别频率，将待分类样本划入频率最高的类别
- 具体流程：
- 统计K个邻居中每个类别出现的次数
- 选择出现次数最多的类别作为预测结果
- 平票处理：可随机选择或考虑更小的K值
- 扩展：也可使用加权投票，距离近的邻居投票权重更大
关键参数与优化
关键参数与优化
K值选择
K值的选择直接影响KNN模型的性能：
- K值过小（如K=1）：
- 模型会过于关注局部噪声点，导致过拟合
- 决策边界变得非常复杂且不规则
- 示例：在图像分类中，K=1可能导致对个别异常像素过于敏感
- K值过大：
- 模型会忽略数据的局部特征，导致欠拟合
- 决策边界过度平滑，可能错过重要模式
- 示例：在房价预测中，过大的K值可能使不同社区的房价差异被平均化
优化方法：
- 交叉验证：
- 采用k折交叉验证（如5折或10折）评估不同K值
- 网格搜索：系统性地测试K值范围（如1-20）
- 经验法则：
- K≈√n（n为训练样本数）
- 通常选择奇数K值以避免平票情况
- 对于分类问题，初始可尝试K=3,5,7等小值
三、knn算法的运用
class sklearn.neighbors.KNeighborsClassifier( n_neighbors=5, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None)
参数名 | 类型/选项 | 默认值 | 作用 |
|---|---|---|---|
| int | 5 | 近邻数K，决定投票的样本数量 |
|
|
| 权重分配方式： |
|
|
| 近邻搜索算法： |
| int | 2 | 闵可夫斯基距离的幂参数： |
| str或可调用对象 |
| 距离度量标准（如 |
| int或None | None | 并行计算线程数（ |
法名 | 功能 | 示例 |
|---|---|---|
| 存储训练数据（惰性学习） |
|
| 返回预测类别 |
|
| 返回样本属于各类别的概率（基于邻居类别的频率） |
|
| 计算准确率（分类）或R²分数（回归） |
|
| 返回K近邻的索引和距离 |
|
四、算法示例
from matplotlib import pyplot as plt
import numpy as np#knn算法预测
from sklearn.neighbors import KNeighborsClassifier
data = np.loadtxt('datingTestSet2.txt', delimiter='\t')
neigh = KNeighborsClassifier(n_neighbors=5)
x=data[:800,:-1]
y=data[:800,-1]
neigh.fit(x,y)
print(neigh.score(x,y))#准确率,自测
c1=data[800:,:-1]
c2=data[800:,-1]
right=neigh.score(c1,c2)
print(right)
