机器学习面试题——KNN（K Nearest Neighbors）K近邻分类算法

提示：
KNN可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一，
注意KNN算法是有监督学习中的分类算法，它看起来和另一个机器学习算法Kmeans有点像（Kmeans是无监督学习算法），但却是有本质区别的。
那么什么是KNN算法呢，接下来我们就来介绍介绍吧。

文章目录

• 机器学习面试题——KNN（K Nearest Neighbors）K近邻分类算法
• • @[TOC](文章目录)
• KNN介绍一下
• • 距离包括欧式距离和曼哈顿距离
  • KNN的K值怎么选
• KNN优缺点
• • 优点：
  • 缺点：
• KNN数据需要归一化吗？
• KNN三要素说一下
• 欧式距离与曼哈顿距离区别
• knn的k设置的过大会有什么问题
• 啥时候用啥ML算法？
• 总结

KNN介绍一下

人以类聚，物以群分——同流合污，近朱者赤近墨者黑！

KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，
KNN的原理就是：
当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。
通过方差表示“距离”

图中绿色的点就是我们要预测的那个点，假设K=3。
那么KNN算法就会找到与它距离最近的三个点（这里用圆圈把它圈起来了），
看看哪种类别多一些，比如这个例子中是蓝色三角形多一些，新来的绿色点就归类到蓝三角了。
但是呢，当K=5的时候，判定就变成不一样了。
这次变成红圆多一些，所以新来的绿点被归类成红圆。
从这个例子中，我们就能看得出K的取值是很重要的。

距离包括欧式距离和曼哈顿距离

KNN算法中使用更多的是欧式距离，二维空间两个点的欧式距离计算公式如下：

拓展到多维空间，则公式变成这样：

KNN的K值怎么选

答：交叉验证法
尝试：看哪个k更好，通过不断验证K不同的取值来确定。
通过交叉验证（将样本数据按照一定比例，拆分出训练用的数据和验证用的数据，比如6：4拆分出部分训练数据和验证数据），
从选取一个较小的K值开始，不断增加K的值，然后计算验证集合的方差，最终找到一个比较合适的K值。
通过交叉验证计算方差后你大致会得到下面这样的图：

选择一个较大的临界K点，当它继续增大或减小的时候，错误率都会上升，比如图中的K=10
又是手肘法？和k-means聚类类似

KNN优缺点

KNN是较为简单的机器学习方法了。最关键的就是理解“距离”的概念。
KNN的优缺点

优点：

（1）简单易用，相比其他算法，KNN算是比较简洁明了的算法。
（2）模型训练快：就没有参数，非参数训练，当然k也算是了。
（3）预测效果好。
（4）对异常值不敏感

缺点：

（1）对内存要求较高，因为该算法存储了所有训练数据
（2）预测阶段可能很慢
（3）对不相关的功能和数据规模敏感
（4）对数据纲量敏感，所以数据要先归一化

KNN数据需要归一化吗？

答：是的
KNN对数据纲量敏感，所以数据要先归一化。
因为KNN使用的方差来反映“距离”，纲量对方差计算影响较大。

KNN三要素说一下

（1）k值的选取
（2）距离度量的方式。 一般为欧式距离
（3）分类决策规则。
分类一般为多数表决，就是哪类多选哪类。
回归为选择平均法，即k个样本输出的平均值作为预测输出。

欧式距离与曼哈顿距离区别

（1）欧式距离：平方差求和再开方
（2）曼哈顿距离：坐标差的绝对值求和
一般用欧式距离而非曼哈顿距离的原因：欧式距离可适用于不同空间，表示不同空间点之间的距离；欧氏距离表示空间中点的距离。
曼哈顿距离则只计算水平或垂直距离，有维度的限制！

knn的k设置的过大会有什么问题

如果选择较大的K值，就相当于用较大领域中的训练实例进行预测，
其优点是可以减少学习的估计误差，
但缺点是学习的近似误差会增大。

我们考虑一种极端的情况，当k和整个样本数量一样的，KNN的分类结果总是取决于样本类别数量最多的那一类。这时模型的误差最大化。

啥时候用啥ML算法？

总结

提示：重要经验：

1）区分K-means：无监督聚类，KNN：（有监督分类）
2）KNN的本质，k值选取，距离计算，优缺点，要了解