KNN算法的理解

最简单平庸的分类器或许是那种死记硬背式的分类器，记住全部的训练数据，对于新的数据则直接和训练数据匹配，假设存在同样属性的训练数据，则直接用它的分类来作为新数据的分类。这样的方式有一个明显的缺点，那就是非常可能无法找到全然匹配的训练记录。

kNN算法则是从训练集中找到和新数据最接近的k条记录。然后依据他们的主要分类来决定新数据的类别。该算法涉及3个主要因素：训练集、距离或相似的衡量、k的大小。

2、代表论文
Discriminant Adaptive Nearest Neighbor Classification
Trevor Hastie and Rolbert Tibshirani
IEEE TRANSACTIONS ON PAITERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 18, NO. 6, JUNE 1996
http://www.stanford.edu/~hastie/Papers/dann_IEEE.pdf

3、行业应用
客户流失预測、欺诈侦測等（更适合于稀有事件的分类问题）

二、算法要点

1、指导思想
kNN算法的指导思想是“近朱者赤，近墨者黑”。由你的邻居来判断出你的类别。

计算过程例如以下：
    1）算距离：给定測试对象。计算它与训练集中的每一个对象的距离
    2）找邻居：圈定距离近期的k个训练对象。作为測试对象的近邻
    3）做分类：依据这k个近邻归属的主要类别，来对測试对象分类

2、距离或相似度的衡量
什么是合适的距离衡量？距离越近应该意味着这两个点属于一个分类的可能性越大。
觉的距离衡量包含欧式距离、夹角余弦等。
对于文本分类来说，使用余弦(cosine)来计算相似度就比欧式(Euclidean)距离更合适。

3、类别的判定
投票决定：少数服从多数，近邻中哪个类别的点最多就分为该类。
加权投票法：依据距离的远近。对近邻的投票进行加权，距离越近则权重越大（权重为距离平方的倒数）

三、优缺点

1、长处
简单，易于理解，易于实现。无需预计參数，无需训练
适合对稀有事件进行分类（比如当流失率非常低时，比方低于0.5%，构造流失预測模型）
特别适合于多分类问题(multi-modal,对象具有多个类别标签)。比如依据基因特征来推断其功能分类，kNN比SVM的表现要好

2、缺点
懒惰算法。对測试样本分类时的计算量大。内存开销大，评分慢
可解释性较差，无法给出决策树那样的规则。

四、常见问题

1、k值设定为多大？
k太小，分类结果易受噪声点影响；k太大，近邻中又可能包括太多的其他类别的点。（对距离加权，能够减少k值设定的影响）
k值一般是採用交叉检验来确定（以k=1为基准）
经验规则：k一般低于训练样本数的平方根

2、类别怎样判定最合适？
投票法没有考虑近邻的距离的远近，距离更近的近邻或许更应该决定终于的分类，所以加权投票法更恰当一些。

3、怎样选择合适的距离衡量？
高维度对距离衡量的影响：众所周知当变量数越多，欧式距离的区分能力就越差。

变量值域对距离的影响：值域越大的变量经常会在距离计算中占领主导作用。因此应先对变量进行标准化。

4、训练样本是否要一视同仁？
在训练集中，有些样本可能是更值得依赖的。
能够给不同的样本施加不同的权重，加强依赖样本的权重。减少不可信赖样本的影响。

5、性能问题？
kNN是一种懒惰算法，平时不好好学习，考试（对測试样本分类）时才临阵磨枪（暂时去找k个近邻）。

懒惰的后果：构造模型非常easy。但在对測试样本分类地的系统开销大，由于要扫描所有训练样本并计算距离。

已经有一些方法提高计算的效率，比如压缩训练样本量等。

6、是否能大幅降低训练样本量。同一时候又保持分类精度？
浓缩技术(condensing)
编辑技术(editing)

參考：
维基百科：
http://zh.wikipedia.org/wiki/%E6%9C%80%E9%82%BB%E8%BF%91%E6%90%9C%E7%B4%A2
百度百科：http://baike.baidu.com/view/1485833.htm