簡介
在我遇到的所有機器學習演算法中，KNN是最容易學會的。儘管它很簡單，但事實證明它在某些任務中非常有效（我們將在本文中看到）。
甚至於在某種情況下它是更好的選擇,畢竟它可以同時用於分類和迴歸問題！不過，它更常用來解決分類問題，很少看到在迴歸任務中使用KNN。提起KNN可以被用於迴歸任務，只是想說明和強調一下當目標變數是自然連續的時候，KNN也會同樣有效。
在本文中，我們將首先理解KNN演算法背後的直觀解釋，看看計算點之間距離的不同方法，然後在Big Mart Sales資料集上用Python實現KNN演算法。讓我們開始吧!
目錄
1. 一個簡單的例子來理解KNN背後的直觀解釋
2. KNN演算法是如何工作的?
3. 點之間距離的計算方法
4. 如何選擇k因子?
5. 應用在一個資料集上
6. 額外的資源
1. 一個簡單的例子來理解KNN背後的直觀解釋
讓我們從一個簡單的例子開始。考慮下表——它包括10個人的身高、年齡和體重（目標）。如圖所示，ID11的體重值丟失了。下面，我們需要根據這個人的身高和年齡來預測他的體重。
注意:該表中的資料不代表實際值。它只是作為一個例子來解釋這個概念
為了更清楚地瞭解這一點，下面是從上表得出的身高與年齡的關係圖:
在上圖中，y軸代表一個人的身高（以英尺為單位），x軸代表年齡（以年為單位）。這些點是根據ID值編號的。黃色點（ID 11）是我們的測試點。
如果讓你根據上圖來確定編號ID11這個人的體重，你的答案會是什麼？你可能會說，因為ID11更接近於點5和點1，所以這個人的體重應該與這些id相似，可能在72-77公斤之間（表中ID1和ID5的體重）。這是有道理的，但是演算法是如何預測這些值的呢？我們會在這篇文章裡找到答案。
2. KNN演算法是如何工作的?
如上所述，KNN可以用於分類和迴歸問題。該演算法使用“特徵相似度”來預測任何新資料點的值。這意味著，根據與訓練集中點的相似程度為新點賦值。從我們的示例中，我們知道ID11的高度和年齡與ID1和ID5相似，所以重量也大致相同。
如果這是一個分類問題，我們會把眾數作為最終的預測。在本例中，我們有兩個體重值——72和77。誰能猜到最終值是如何計算的？我們會將兩個取值的平均值作為最終的預測結果。
下面是這個演算法的具體步驟：
首先，計算新點與訓練集中每一個點的距離。
選出與新點最接近的K個點（根據距離）。在這個例子中，如果K=3，點1，5，6將會被選擇。在本文後續部分，我們會進一步探索選擇正確K值的方法。
將所有點的均值作為新點的最終預測值。在這個例子中，我們可以得到ID11的體重=（77+72+60）/3 = 69.66kg。
接下來的幾個小節裡，我們將討論以上三個步驟的具體細節。
3. 點之間距離的計算方法
第一步是計算新點與訓練集中每個點之間的距離。計算這個距離的方法有很多種，其中最常見的方法是歐幾里得法、曼哈頓法（連續的）和漢明距離法（離散的）。
歐幾里得距離：歐幾里得距離是新點(x)和現有點(y)之間的平方差之和的平方根。
曼哈頓距離：這是實向量之間的距離，用它們差的絕對值之和來計算。
漢明距離：用於離散變數，如果(x)和(y)值相等，距離D就等於0。否則D = 1。
一旦計算完成新觀測點與訓練集中點之間的距離，下一步就是挑選最近的點。點的數量由K值決定。
4. 如何選擇k因子?
第二步是確定K值。在為新觀測點賦值時，K值決定了需要參考的鄰點數量。
在我們的例子裡，對於K=3，最近的點就是ID1、ID5和ID6。
ID11的預測體重是：
ID11 = (77+72+60)/3
ID11 = 69.66 kg
對於k=5，最近的點是ID1、ID4、ID5、ID6和ID10。
ID11的預測體重是：
ID 11 = (77+59+72+60+58)/5
ID 11 = 65.2 kg
我們注意到，基於k值，最終結果往往會改變。那麼如何求出k的最優值呢?讓我們根據訓練集和驗證集的誤差計算來決定（畢竟，最小化誤差是我們的最終目標！）
請看下面的圖表，不同k值的訓練錯誤和驗證錯誤。
K值很低時（假設k = 1）,該模型過擬合訓練資料,從而導致驗證集的錯誤率很高。另一方面，k取較大值時,模型在訓練集和驗證集上表現都很差。如果你仔細觀察，驗證誤差曲線的值在k = 9時達到最小值，此時k值是模型的最優值（根據不同的資料集會有所不同）。這條曲線被稱為“手肘曲線”（因為它的形狀很像手肘），通常用於確定k值。
我們還可以使用網格搜尋技術來確定k值。在下一個小節裡我們將會介紹它。
5. 應用在一個資料集上
讀到現在，你應當對演算法有一個清晰的理解。如果你還有問題，請給我們的公眾號留言，我們很樂意回答。現在，我們將在資料集中實現該演算法。我已經使用了Big Mart sales資料集來展示演算法實現的過程，大家可以從這個連結下載它。
讀取檔案
import pandas as pd
df = pd.read_csv('train.csv')
df.head()
計算缺失值
df.isnull().sum()
#missing values in Item_weight and Outlet_size needs to be imputed
mean = df['Item_Weight'].mean() #imputing item_weight with mean
df['Item_Weight'].fillna(mean, inplace =True)
mode = df['Outlet_Size'].mode() #imputing outlet size with mode
df['Outlet_Size'].fillna(mode[0], inplace =True)
處理分類變數，刪除id列
df.drop(['Item_Identifier', 'Outlet_Identifier'], axis=1, inplace=True)
df = pd.get_dummies(df)
建立訓練和測試集
from sklearn.model_selection import train_test_split
train , test = train_test_split(df, test_size = 0.3)
x_train = train.drop('Item_Outlet_Sales', axis=1)
y_train = train['Item_Outlet_Sales']
x_test = test.drop('Item_Outlet_Sales', axis = 1)
y_test = test['Item_Outlet_Sales']
預處理——擴充套件特徵
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(0, 1))
x_train_scaled = scaler.fit_transform(x_train)
x_train = pd.DataFrame(x_train_scaled)
x_test_scaled = scaler.fit_transform(x_test)
x_test = pd.DataFrame(x_test_scaled)
看看不同K值的錯誤率
#import required packages
from sklearn import neighbors
from sklearn.metrics import mean_squared_error
from math import sqrt
import matplotlib.pyplot as plt
%matplotlib inline
rmse_val = [] #to store rmse values for different k
for K in range(20):
K = K+1
model = neighbors.KNeighborsRegressor(n_neighbors = K)
model.fit(x_train, y_train) #fit the model
pred=model.predict(x_test) #make prediction on test set
error = sqrt(mean_squared_error(y_test,pred)) #calculate rmse
rmse_val.append(error) #store rmse values
print('RMSE value for k= ' , K , 'is:', error)
輸出：
RMSE value for k = 1 is: 1579.8352322344945
RMSE value for k = 2 is: 1362.7748806138618
RMSE value for k = 3 is: 1278.868577489459
RMSE value for k = 4 is: 1249.338516122638
RMSE value for k = 5 is: 1235.4514224035129
RMSE value for k = 6 is: 1233.2711649472913
RMSE value for k = 7 is: 1219.0633086651026
RMSE value for k = 8 is: 1222.244674933665
RMSE value for k = 9 is: 1219.5895059285074
RMSE value for k = 10 is: 1225.106137547365
RMSE value for k = 11 is: 1229.540283771085
RMSE value for k = 12 is: 1239.1504407152086
RMSE value for k = 13 is: 1242.3726040709887
RMSE value for k = 14 is: 1251.505810196545
RMSE value for k = 15 is: 1253.190119191363
RMSE value for k = 16 is: 1258.802262564038
RMSE value for k = 17 is: 1260.884931441893
RMSE value for k = 18 is: 1265.5133661294733
RMSE value for k = 19 is: 1269.619416217394
RMSE value for k = 20 is: 1272.10881411344
#plotting the rmse values against k values
curve = pd.DataFrame(rmse_val) #elbow curve
curve.plot()
正如我們所討論的，當k=1時，我們得到一個非常高的RMSE值。RMSE值隨著k值的增加而減小。在k= 7時，RMSE約為1219.06，並進一步增加k值。我們可以有把握地說，在k=7這種情況下，會得到最好的結果。
這些是使用訓練資料集得到的預測結果。現在讓我們預測測試資料集的值並提交。
在測試集上得到預測值
#reading test and submission files
test = pd.read_csv('test.csv')
submission = pd.read_csv('SampleSubmission.csv')
submission['Item_Identifier'] = test['Item_Identifier']
submission['Outlet_Identifier'] = test['Outlet_Identifier']
#preprocessing test dataset
test.drop(['Item_Identifier', 'Outlet_Identifier'], axis=1, inplace=True)
test['Item_Weight'].fillna(mean, inplace =True)
test = pd.get_dummies(test)
test_scaled = scaler.fit_transform(test)
test = pd.DataFrame(test_scaled)
#predicting on the test set and creating submission file
predict = model.predict(test)
submission['Item_Outlet_Sales'] = predict
submission.to_csv('submit_file.csv',index=False)
提交這個檔案，我得到了一個RMSE 1279.5159651297。
實現網格搜尋（Gridsearch）
為了確定k值，每次繪製手肘曲線是一個繁瑣的過程。我們可以簡單地使用gridsearch來找到最佳值。
from sklearn.model_selection import GridSearchCV
params = {'n_neighbors':[2,3,4,5,6,7,8,9]}
knn = neighbors.KNeighborsRegressor(
model = GridSearchCV(knn, params, cv=5)
model.fit(x_train,y_train)
model.best_params
輸出：
{'n_neighbors': 7}
6. 額外的資源
在本文中，我們介紹了KNN演算法的工作原理及其在Python中的實現。這是最基本也是最有效的機器學習技術之一。對於在R中實現KNN，您可以瀏覽這篇文章:使用R的KNN演算法。
在本文中，我們直接使用sklearn庫中的KNN模型。您還可以從頭實現KNN（我建議這樣做!），這篇文章將對此進行介紹：KNN simplified。
如果你認為你很瞭解KNN，並且對該技術有紮實的掌握，在這個MCQ小測驗中測試你的技能:關於KNN演算法的30個問題。祝你好運！
譯者附：註冊下載資料集流程
1、註冊一個賬號，然後註冊這個比賽
2、點選data
就可以愉快的下載執行並測試啦~
譯者的分數是：
歡迎留言自己的分數和心得~
原文標題：
A Practical Introduction to K-Nearest Neighbors Algorithm for Regression （with Python code）
原文連結：
https://www.analyticsvidhya.com/blog/2018/08/k-nearest-neighbor-introduction-regression-python/