如何优雅地实现KNN搜索
我们知道K近邻法（K-Nearest Neighbor, KNN）是一种基本的机器学习算法，早在1968年就被提出。KNN算法简单、直观，是最著名的“惰性学习”算法，不具有显示的学习过程。
正因为其算法的思想简单，我们更加关注KNN算法实现的优化。最简单粗暴的就是线性扫描，但随着样本量的放大，其计算量也会成倍放大，因此本文介绍并实现一种优雅的优化搜索方法——KD树。
K近邻推导与KD树过程
我们可以用文字简单描述下KNN算法：给定一个训练数据集T，对于新的目标实例x，我们在训练集T中找到与实例x最邻近的k个实例，这k个实例大多属于哪一类，目标实例x就被分为这个类。
用数学公式我们表达如下：
给定训练数据集T：
根据给定的新的目标实例Xtarget，和距离度量方法，我们可以在T中找到k个与Xtarget最邻近的实例点，我们将这k个近邻点的集合记作Nk：
那目标实例的类别Ytarget为：
此处的I为指数函数，当yi=cj时为1，否则为0。
理解了K近邻的概念后，我们再来看下K近邻的三个基本要素——距离度量、k值选择和分类决策规则。
- 距离度量
特征空间中两个实例点的距离是两个实例点相似度的反映，K近邻常用的是欧式距离，也可以是更一般的Lp距离（Lp distance）。
当p=1时，被称为曼哈顿距离（Manhattan distance），即：
当p=2时，被称为欧式距离（Euclidean distance），即：
- k值选择
k值的选择会对K近邻算法的结果产生重大影响。
如果选择较小的k值，则模型相当于用了较小的邻域来预测结果，那对噪音点会更加敏感，且模型的复杂度会上升，容易发生过拟合。最典型的就是k=1时，模型就是k最近邻，一旦某个最近邻数据点是噪音，则分类结果就肯定会出现错误。
如果选择较大的k值，又会用较大的区域来预测结果，则距离较远的实例点也会影响到最终的分类结果，显然也是不合理的。最典型的就是k=N时，不管输入什么，分类结果总是训练数据集中分类实例点最多的一类。
在应用中，k一般取一个比较小的值，通常采用交叉验证法来选取最优的k值。
- 分类决策规则
K近邻中的分类决策规则往往是多数表决，即由输入实例的k个邻近的训练实例中的多数类决定输入实例的类。多数表决规则可以等价于经验风险最小化。
若分类函数为f(x)，那么误分类的概率是：
对于给定的实例x和k个近邻点的集合Nk，其误分类的概率是：
可见要使经验风险最小化，就要使指数函数I最大化，所以多数表决规则等价于经验风险最小化。
KD树的实现
构造KD树
通常，依次选择坐标轴对空间切分，选择训练实例点在选定坐标轴上的中位数（median）为切分点，这样得到的KD树是平衡的，但是平衡的KD树搜索时的效率未必是最优的。
切分超平面左侧区域对应的是小于选定坐标轴的实例点，右侧区域对应的是大于选定坐标轴的实例点，将落在切分超平面上的实例点保存在根结点。
当左右两个子区域没有实例存在时停止划分，从而形成KD树的区域划分。
举个例子：给定二维数据集T={(2,3), (5,4), (9,6), (4,7), (8,1), (7,2)}，进行区域划分。
搜索KD树
利用KD树可以省去对大部分数据点的搜索，从而减少搜索的计算量，以最近邻为例：给定一个目标点，搜索其最近邻，首先找到包含目标点的叶结点；然后从该叶结点出发，依次回退到父结点；不断查找与目标点最邻近的节点，当确定不可能存在更近的结点时终止。
以目标点（3, 3.5）为例，在上面构造树的基础上进行搜索。
- 首先，将目标点划分到(2, 0)所在的结点，初步认定(2, 0)就是目标点的最近邻；
- 其次，计算(2, 0)与(3, 3.5)之间的距离d；
- 然后，往父结点回溯，以(3, 3.5)为中心，距离d为半径画圆，发现圆圈与其父结点相交；
- 最后，计算目标点与父结点上的(5, 4)以及另一侧上的(4, 7)距离，发现其最近邻的点还是(2, 3)；
- 再往上一层父结点递归，发现切分超平面并不与圆圈相交，故结束搜索。
以上是K近邻与KD树的推导部分。
Python实现K近邻与KD树
提前说明下，这里写的KD树实现K近邻算法，其最终结果并不是输出Y值，而是输出与目标样例近邻的前K个训练数据中的样例，这样可以清楚地看到KD树的运行轨迹。得到了K近邻，要输出最终的结果也是易如反掌，自己加一段投票策略即可。
- 首先，先建立了树的类，用来存储一些重要信息。
- 其次，正式构造一个KNN类，初始化一些属性。
- 然后，写一些用得到的方法。有计算切分的特征列、计算切分的特征值、计算欧式距离、计算数据集中距离目标样本点的前K个近邻。
- 接着，是构造KD树的代码部分。主体部分是fit_tree()，其中的build_tree()部分递归生成树的结构。
- 最后，是搜索KD树的代码部分。transform_tree()是主体部分，search_tree()对树进行递归搜索以及结点的回退搜索。
代码写完，我们用鸢尾花数据集来测试下，KD树找到的k个最近邻的样本是否准确。
- 首先，我们先导入鸢尾花数据集，随意写一个目标样本点，并线性地算出从小到大距离这个目标样本点的所有样本的顺序。我们print出来可以看到下标为35的鸢尾花原数据集是距离目标样本最近的点，然后依次是1, 45, 34, 12, 49, 2......
- 然后，我们通过自己写的KD树，分别取K=1, 2, 3, 5, 10来验证下是否正确。
K=1时，
K=2时，
K=3时，
K=5时，
K=10时，
作者：TalkingData金融咨询团队 张伟
转载请联系获取授权
文章被以下专栏收录
