在 R 编程中使用 k-Nearest Neighbors 进行回归

机器学习是人工智能的一个子集，它为机器提供了无需明确编程即可自动学习的能力。在这种情况下，机器在没有人为干预的情况下从经验中改进，并相应地调整动作。它主要有3种类型：

• 监督机器学习
• 无监督机器学习
• 强化学习

K-最近邻

K-最近邻算法创建一个假想的边界来对数据进行分类。当添加新数据点进行预测时，算法会将该点添加到最近的边界线。它遵循“物以类聚”的原则。该算法可以很容易地用 R 语言实现。

K-NN 算法

1. 选择 K，邻居的数量。
2. 计算 K 个邻居的欧几里得距离。
3. 根据计算的欧几里得距离取 K 个最近邻。
4. 计算这 K 个邻居中每个类别的数据点数。
5. 新数据点被分配给邻居数量最大的类别。

R中的实现

数据集： 400 人的样本人口与一家产品公司分享了他们的年龄、性别和薪水，以及他们是否购买了该产品（0 表示否，1 表示是）。下载数据集 Advertisement.csv

R

# Importing the dataset
dataset = read.csv('Advertisement.csv')
head(dataset, 10)

输出：

	User ID	Gender	Age	EstimatedSalary	Purchased
0	15624510	Male	19	19000	0
1	15810944	Male	35	20000	0
2	15668575	Female	26	43000	0
3	15603246	Female	27	57000	0
4	15804002	Male	19	76000	0
5	15728773	Male	27	58000	0
6	15598044	Female	27	84000	0
7	15694829	Female	32	150000	1
8	15600575	Male	25	33000	0
9	15727311	Female	35	65000	0

R

# Encoding the target
# feature as factor
dataset$Purchased = factor(dataset$Purchased,
                           levels = c(0, 1))
  
# Splitting the dataset into 
# the Training set and Test set
# install.packages('caTools')
library(caTools)
set.seed(123)
split = sample.split(dataset$Purchased, 
                     SplitRatio = 0.75)
training_set = subset(dataset, 
                      split == TRUE)
test_set = subset(dataset, 
                  split == FALSE)
  
# Feature Scaling
training_set[-3] = scale(training_set[-3])
test_set[-3] = scale(test_set[-3])
  
# Fitting K-NN to the Training set 
# and Predicting the Test set results
library(class)
y_pred = knn(train = training_set[, -3],
             test = test_set[, -3],
             cl = training_set[, 3],
             k = 5,
             prob = TRUE)
  
# Making the Confusion Matrix
cm = table(test_set[, 3], y_pred)

• 训练集包含 300 个条目。
• 测试集包含 100 个条目。

Confusion matrix result:
[[64][4]
  [3][29]]

可视化训练数据：

R

# Visualising the Training set results
# Install ElemStatLearn if not present 
# in the packages using(without hashtag)
# install.packages('ElemStatLearn')
library(ElemStatLearn)
set = training_set
  
#Building a grid of Age Column(X1)
# and Estimated Salary(X2) Column
X1 = seq(min(set[, 1]) - 1,
         max(set[, 1]) + 1,
         by = 0.01)
X2 = seq(min(set[, 2]) - 1, 
         max(set[, 2]) + 1, 
         by = 0.01)
grid_set = expand.grid(X1, X2)
  
# Give name to the columns of matrix
colnames(grid_set) = c('Age',
                       'EstimatedSalary')
  
# Predicting the values and plotting
# them to grid and labelling the axes
y_grid = knn(train = training_set[, -3],
             test = grid_set,
             cl = training_set[, 3],
             k = 5)
plot(set[, -3],
     main = 'K-NN (Training set)',
     xlab = 'Age', ylab = 'Estimated Salary',
     xlim = range(X1), ylim = range(X2))
contour(X1, X2, matrix(as.numeric(y_grid), 
                       length(X1), length(X2)),
                       add = TRUE)
points(grid_set, pch = '.',
       col = ifelse(y_grid == 1, 
                    'springgreen3', 'tomato'))
points(set, pch = 21, bg = ifelse(set[, 3] == 1, 
                                  'green4', 'red3'))

输出：

可视化测试数据：

R

# Visualising the Test set results
library(ElemStatLearn)
set = test_set
  
# Building a grid of Age Column(X1)
# and Estimated Salary(X2) Column
X1 = seq(min(set[, 1]) - 1,
         max(set[, 1]) + 1, 
         by = 0.01)
X2 = seq(min(set[, 2]) - 1,
         max(set[, 2]) + 1, 
         by = 0.01)
grid_set = expand.grid(X1, X2)
  
# Give name to the columns of matrix
colnames(grid_set) = c('Age', 
                       'EstimatedSalary')
  
# Predicting the values and plotting 
# them to grid and labelling the axes
y_grid = knn(train = training_set[, -3], 
             test = grid_set,
             cl = training_set[, 3], k = 5)
plot(set[, -3],
     main = 'K-NN (Test set)',
     xlab = 'Age', ylab = 'Estimated Salary',
     xlim = range(X1), ylim = range(X2))
contour(X1, X2, matrix(as.numeric(y_grid), 
                       length(X1), length(X2)),
                       add = TRUE)
points(grid_set, pch = '.', col = 
       ifelse(y_grid == 1, 
              'springgreen3', 'tomato'))
points(set, pch = 21, bg =
       ifelse(set[, 3] == 1,
              'green4', 'red3'))

输出：

好处

1. 没有培训期。
   • KNN 是一种基于实例的学习算法，因此是一种惰性学习器。
   • KNN 没有从训练表中导出任何判别函数，也没有训练周期。
   • KNN 存储训练数据集并使用它进行实时预测。
2. 新数据可以无缝添加，不会影响算法的准确性，因为新添加的数据不需要训练。
3. 实现KNN算法只需要两个参数，即K值和欧几里得距离函数。

缺点

1. 在新数据集中计算每个现有点与新点之间的距离的成本是巨大的，这降低了算法的性能。
2. 算法很难计算每个维度的距离，因为该算法不适用于高维数据，即具有大量特征的数据，
3. 在将 KNN 算法应用于任何数据集之前，需要进行特征缩放（标准化和规范化），否则 KNN 可能会生成错误的预测。
4. KNN 对数据中的噪声很敏感。