機(jī)器學(xué)習(xí)：基于Knn算法的用戶屬性判斷方案設(shè)計

機(jī)器學(xué)習(xí)：基于Knn算法的用戶屬性判斷方案設(shè)計knn算法簡介K最近鄰(k-NearestNeighbor，KNN)分類算法，是一個理論上比較成熟的方法，也是最簡單的機(jī)器學(xué)習(xí)算法之一。knn的基本思路是：如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。如下圖所示，如何判斷綠色圓應(yīng)該屬于哪一類，是屬于紅色三角形還是屬于藍(lán)色四方形？如果K=3，由于紅色三角形所占比例為2/3，綠色圓將被判定為屬于紅色三角形那個類如果K=5，由于藍(lán)色四方形比例為3/5，因此綠色圓將被判定為屬于藍(lán)色四方形類。由于KNN最鄰近分類算法在分類決策時只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分類樣本所屬的類別，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。因此，k值的選擇、距離度量以及分類決策規(guī)則是k近鄰算法的三個基本要素。真實(shí)業(yè)務(wù)場景某公司存在有一些數(shù)據(jù)樣本（500*5矩陣），是關(guān)于人群屬性的一些特征，希望通過已知數(shù)據(jù)的特征，推測出部分目標(biāo)數(shù)據(jù)的性質(zhì)，假如特征向量包含：平均每日游戲時長-gametime異性朋友數(shù)-femalefriends周末在家時長-stay-intime用戶接受類型-attr（attr是目標(biāo)判斷屬性，同時也是標(biāo)記屬性）問題：我們需要根據(jù)已知的這些屬性，判斷最后一個樣本的屬性是“Y”還是“N”數(shù)據(jù)特征分析我們所拿到的這批數(shù)據(jù)是500*5的矩陣，以平均每日游戲時長，異性朋友數(shù)，周末在家時長為軸，將不同屬性的點(diǎn)用不同顏色區(qū)分，利用matplotlib繪制散點(diǎn)圖，最終效果如圖。由于這些測試數(shù)據(jù)在空間的分布非常集中，所以對于需要驗證的點(diǎn)（紅，綠兩點(diǎn)），我們很容易區(qū)分出這些點(diǎn)的屬性

結(jié)合本次的業(yè)務(wù)場景，我們將通過前三種特征的空間分布，對attr屬性進(jìn)行預(yù)測具體算法在三維空間中，我們可以直觀判斷，那在具體的算法實(shí)現(xiàn)中，可以考慮使用n維空間的歐氏距離：通過以上公式，我們能對多維度數(shù)據(jù)進(jìn)行分析，得到目標(biāo)與各點(diǎn)的距離。同時，細(xì)心的讀者肯定考慮到，我們已知的這些特征，存在量級之間的差異，所以我們通常需要通過歸一化特征值，對消除不同量級造成的影響。因此，我們選用0-1標(biāo)準(zhǔn)化(0-1normalization)對原始數(shù)據(jù)的線性變換。0-1標(biāo)準(zhǔn)化:在通過以上兩步對數(shù)據(jù)預(yù)處理完成后，我們將所得的距離進(jìn)行排序，并選取合適的K值對目標(biāo)數(shù)據(jù)進(jìn)行預(yù)測。在此選擇k=10（僅舉例），可以發(fā)現(xiàn)，前10項中Y出現(xiàn)的次數(shù)最多，因此我們可以認(rèn)為目標(biāo)數(shù)據(jù)的值為Y。knn算法總結(jié)在數(shù)據(jù)分析團(tuán)隊確定好數(shù)據(jù)特征后，對相應(yīng)數(shù)據(jù)進(jìn)行收集及清洗，對各數(shù)據(jù)特征進(jìn)行歸一化處理（視具體業(yè)務(wù)場景定，或需特征考慮權(quán)重），完成以上流程后，進(jìn)行以下通用流程：計算測試數(shù)據(jù)與各個訓(xùn)練數(shù)據(jù)之間的距離；按照距離的遞增關(guān)系進(jìn)行排序；選取距離最小的K個點(diǎn)；確定前K個點(diǎn)所在類別的出現(xiàn)頻率；返回前K個點(diǎn)中出現(xiàn)頻率最高的類別作為測試數(shù)據(jù)的預(yù)測分類。最后，我們簡單總結(jié)一下Knn的適用場景數(shù)據(jù)已存在標(biāo)記特征，Knn是監(jiān)督算法樣本數(shù)在100k以下，由于算法會對每個目標(biāo)值進(jìn)行多維度距離計算，所以樣本過大可能超負(fù)荷樣本非文本，或可轉(zhuǎn)化為數(shù)值以