我学习Python的初衷是学习人工智能，满足现有的业务场景。所以必须要看看机器学习这一块。今天看了很久，做个总结。
机器学习分为深度学习和传统机器学习
深度学习模型通常非常复杂，包含多层神经网络，每一层都包含大量的神经元（节点）。这些模型可以包含数百万甚至数十亿个参数。深度学习模型可以自动学习数据的特征表示，而无需手动设计特征。通过多层神经网络，深度学习模型可以逐层提取和组合特征，从而更好地捕捉数据中的复杂模式。深度学习模型通常需要大量的数据来进行训练，以充分学习复杂的参数。这意味着深度学习在大规模数据集上表现良好，但在小数据集上可能会过拟合。而且深度学习更像是一个黑盒子，你也不知道它为什么会得到这个结果。还有，深度学习通常需要大量的计算资源，例如高性能GPU，以加速模型的训练。这使得深度学习在硬件要求上更为苛刻。深度学习更适合于计算机视觉，自然语言处理，自动驾驶等场景。
传统机器学习模型通常比深度学习模型简单，包括线性回归、决策树、支持向量机（SVM）、K近邻（K-NN）等。这些模型具有较少的参数。传统机器学习通常需要手动设计和提取特征。特征工程是一个关键的步骤，需要领域专业知识和经验来选择和创建适当的特征。传统机器学习模型在小规模数据集上也可以表现良好，并且通常不容易过拟合。相对于深度学习，传统机器学习算法通常需要较少的计算资源，因此在资源受限的环境中更具可行性。传统学习很适用于有明确输入与输出数据的场景，如图像识别、语音识别和文本分类。在这些任务中，算法通过训练数据集来学习，其中包含输入数据及其对应的正确输出。
在传统机器分类学习中，有一个很经典的算法叫做 “k近邻算法”。
众所周知，有很多种类电影，爱情电影，动作电影。爱情电影里有kiss片段，但是可能也会有武打片段。动作片里有动作片段，可能也有Kiss片段。但是，经常看电影的肯定知道，爱情片里的动作片段远远小于动作片段，反之亦然。基于某一场景是否可以给电影分类呢？这种场景就很适合k近邻算法。
k近邻算法是一种简单但非常有效的机器学习算法，主要用于分类和回归问题。其核心思想是基于相似性原则进行预测：即相似的数据点具有相似的输出。
距离度量：改算法首先计算测试数据与每个训练数据点之间的距离。常用的距离度量方法包括欧氏距离、曼哈顿距离和闵可夫斯基距离。 例如：测试样例特征是 [0,0]，样本集特征是 [1,2] 那么距离就是
[(1-0) **2 + (2-0) **2] **0.5 （欧氏距离） 如果距离测试样例的三个样本的值分别是 0，1，2 k是2 ，那么样本1类型如果为A，样本2类型为A，那么测试类型为A。
决策规则：
分类：对于分类问题，算法通常采用“多数投票”原则，即测试数据点被分配到邻居中最常见的类别。
回归：对于回归问题，算法通常计算K个邻居的输出值的平均值，作为预测值。
特点
简单有效：k近邻算法是一种理解起来直观且实现简单的算法。
惰性学习：与其他机器学习算法不同，k近邻算法不需要在训练阶段进行显著的学习过程。它在预测阶段才进行计算，因此属于惰性学习算法。
无参数：k近邻算法不假设数据的分布，因此是一种非参数算法。
内存密集型：由于算法需要存储所有训练数据，因此对内存要求较高。
缺点
K值的选择：K的选择对算法的性能有重要影响。较小的K值使模型对噪声数据更敏感，而较大的K值则可能导致分类/回归边界的平滑化。
维度诅咒：在高维数据中，计算距离变得困难，这会影响k近邻算法算法的性能。
标准化：k近邻算法对数据的尺度非常敏感，因此通常需要进行特征标准化。
计算成本：对于大型数据集，计算每个测试实例的邻居可能非常耗时。
我们根据上述所说，编写k近邻算法的代码：
def classify0(inX, dataSet, labels, k):
# 获取数据集的行数
dataSetSize = dataSet.shape[0]
# 计算输入向量与数据集中每个数据点的差值矩阵
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
# 计算差值矩阵中每个元素的平方
sqDiffMat = diffMat ** 2
# 计算每行的平方差值和，得到平方距离的数组
sqDistances = sqDiffMat.sum(axis=1)
# 对平方距离数组开平方，得到距离数组
distances = sqDistances ** 0.5
# 对距离数组进行排序，返回排序后的索引
sortedDistIndices = distances.argsort()
# 创建一个字典，用于存储最近的 k 个数据点的类别及其出现次数
classCount = {}
# 遍历排序后的前 k 个索引
for i in range(k):
# 获取当前最近数据点的类别
voteIlabel = labels[sortedDistIndices[i]]
# 更新字典中该类别的出现次数
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
# 对字典中的类别及其出现次数进行排序，按出现次数降序排列
sortedClassCount = sorted(classCount.items(), key=lambda x: x[1], reverse=True)
# 返回最频繁出现的类别
return sortedClassCount[0][0]
作为java老本行，自然得有java版。
/**
* k近邻算法
* @Author: Herche Jane
* @Date: 2024/01/04
*/
public class KNNClassifier {
public static String classify0(double[] inX, double[][] dataSet, String[] labels, int k) {
int dataSetSize = dataSet.length;
// 计算距离
double[] distances = new double[dataSetSize];
for (int i = 0; i < dataSetSize; i++) {
double[] data = dataSet[i];
double distance = 0;
for (int j = 0; j < inX.length; j++) {
distance += Math.pow(inX[j] - data[j], 2);
}
distances[i] = Math.sqrt(distance);
}
// 获取距离的排序索引
Integer[] sortedDistIndices = getSortedIndices(distances);
// 计算前k个最近邻的类别及其出现次数
Map<String, Integer> classCount = new HashMap<>();
for (int i = 0; i < k; i++) {
String label = labels[sortedDistIndices[i]];
classCount.put(label, classCount.getOrDefault(label, 0) + 1);
}
// 对类别出现次数进行排序
List<Map.Entry<String, Integer>> sortedClassCount = new ArrayList<>(classCount.entrySet());
sortedClassCount.sort((o1, o2) -> o2.getValue().compareTo(o1.getValue()));
// 返回最频繁的类别
return sortedClassCount.get(0).getKey();
}
private static Integer[] getSortedIndices(double[] array) {
Integer[] indices = new Integer[array.length];
for (int i = 0; i < array.length; i++) {
indices[i] = i;
}
Arrays.sort(indices, Comparator.comparingDouble(i -> array[i]));
return indices;
}
}
致敬java
public static void main(String[] args) {
// 示例：数据集和标签
double[][] dataSet = {{1.0, 2.0}, {2.0, 3.0}, {3.0, 4.0}};
String[] labels = {"A", "B", "B"};
double[] inX = {1.5, 2.5};
// 使用KNN进行分类
String result = classify0(inX, dataSet, labels, 3);
System.out.println("分类结果: " + result);
}
调用结果：
分类结果: B
k近邻算法是分类最简单最有效的方案，k近邻算法必须保存所有的训练集，这就意味着很吃内存。这个算法我们根本就不知道平均实例样本和典型实例样本是什么。当K值较小，即考虑的邻居数量较少时，如果有噪声和脏数据，那么这个训练算是废了。没有自己纠正自己的能力，这就要求数据必须要有预处理，否则很容易出问题！