KNN算法优缺点
- 优点
(1) 精度高
(2) 对异常值不敏感：某个异常值对整个结果不造成影响；
(3) 无数据输入假定：无数据的独立性等假设； - 缺点
(1) 计算复杂度高：因为要计算的点需要与所有点计算距离，所以复杂度很高；
(2) 空间复杂度高：因为需要加载所有的样本；
适应的数据范围
- 数值型和标称型（是或者否）
算法原理
K值选择
- 如果选择较小的K值
– 近似误差会减小（针对训练集），估计误差会增大（针对测试集或验证集）；
– 对噪声比较敏感；
– 容易过拟合（模型复杂），泛化能力差； - 如果选择较大的K值
– 近似误差增大，估计误差会减小；
– 整体模型变得简单；
距离选择
- 欧式距离：对异常值更敏感
- 曼哈顿距离
- 马氏距离：可以消除样本间的相关性，协方差矩阵可以降低样本差异性；
算法改进
- KD树
– 对K维空间的实例点进行存储以便快速检索；
– 是二叉树，相当于不断用垂直与坐标轴的超平面将K维空间切分构成一系列K维超矩形区域； - 例子
以中值作为切割点，对x轴从小到大排序
(2,3), (4,7), (5,4), (7,2), (8,1), (9,6) 此时x轴的中值位置为(7,2)；(2,3), (4,7), (5,4)作为左节点，(8,1), (9,4)作为右节点，分别对y轴切分； - 最终树结构如下：
- kd树查找（假设查找(2,4.5)节点）
通过KD树，找到最后一个叶子节点为(4,7)，与目标查找点的距离为3.202；回溯到根节点(5,4)，计算其与查找点之间的距离为3.041，小于3.202，所以“当前最近邻点”变成（5,4）；
以目标点（2,4.5）为圆心，以目标点（2,4.5）到“当前最近邻点”（5,4）的距离（即3.041）为半径作圆，如上图所示。可见该圆和y = 4超平面相交，所以需要进入（5,4）左子空间进行查找，即回溯至（2,3）叶子节点；
（2,3）距离（2,4.5）比（5,4）要近，所以“当前最近邻点”更新为（2,3），最近距离更新为1.5；
再回溯到（7,2），以（2, 4.5）为圆心，以1.5为半径的圆不会与x = 7超平面交割，因此不用进入（7,2）右子空间进行查找。 - kd树缺点：
在kd tree 中，我们看到一个导致性能下降的最核心因素是因为kd树的平面是一个个的方形，求最近邻时使用的是圆形。方形平面跟圆形相交的可能性是极高的，如果方形的交汇点多的话，圆形和几个平面相交的可能性就变得更大。这样，凡是相交的平面，都需要进行检查，大大的降低运行效率。在维度较高时，这种性能降低十分明显。 - ball tree特点
ball tree抛弃了kd树画的方形，而建立球形，去掉棱角。简而言之，就是使用超球面而不是超矩形划分区域。 - ball tree的构造方式
所有的数据先构成一个最大的球体。从球中选择一个离球的中心最远的点，然后选择第二个点离第一个点最远。将圆中所有离这两个点最近的观测点都赋给这两个簇的中心，而后计算每一个簇的中心点和包含所有其所属观测点的最小半径。不断递归得到最终结果如上图C所示。在上图B中所示数据结构中A，B，C , D, E非叶子节点存储了球的中心点和半径。 - ball tree查找方式
先寻找叶子节点，并计算叶子节点和目标点的距离，此值确定目标最小距离上限。根据构造方式可知，可以根据目标点计算出其叶子节点。此时，唯一需要验证的是其兄弟节点的距离，如果小于上限就更新最近目标点。 - 外部库使用（sklearn）
