KNN

KNN 简介

假定我们现在有一个训练集，和一个测试集，对于其中一个测试样本，在训练集中找到与该样本最邻近的 $k$ 个样本，在这 $k$ 个样本中，如果多数样本属于某个类，就把测试样本分为这个类。

更为具体地说，KNN 的步骤是这样的：

根据给定的距离度量，在训练集 $T$ 中找出与测试样本 $x$ 最邻近的 $k$ 个点，涵盖这 $k$ 个点的 $x$ 的邻域记作 $N_{k} (x)$ 。
在 $N_{k} (x)$ 中根据分类决策规则（如多数表决）决定 $x$ 的类别 $y$ 。

KNN 的数学表达：

y = \arg max_{c j} \sum_{x_{i} \in N_{k} (x)} I (y_{i} = c_{j}) ， i = 1 ， 2 ， \dots ， N ； j = 1 ， 2 ， \dots ， K

其中：

$I$ 为指示函数，即当 $y_{i} = c_{j}$ 时 $I$ 为1，否则为0
$N$ 是 $x$ 的邻域中样本的数量
$c_{j}$ 是某一类别
$K$ 是种类的数量

但是在找 $k$ 近邻之前，需要计算样本点之间的距离，在 KNN 中，比较常见的有欧式距离和曼哈顿距离等。

距离的计算

k 近邻模型的特征空间一般是 n 维实数向量空间 Rn。使用的距离是欧氏距离，但也可以是其他距离，如更一般的L 距离或 Minkowski 距离。

对于两点 $x_{i}$ ， $x_{j}$ 之间的距离的一般公式可以用 Lp 定义：

L_{p} (x_{i} ， x_{j}) = {(\sum_{l = 1}^{n} {| x_{i}^{(l)} - x_{j}^{(l)} |}^{p})}^{\frac{1}{p}} x_{j} = (x_{j}^{(1)} ， x_{j}^{(2)} ， \dots ， x_{j}^{(n)}) x_{j} = (x_{j}^{(1)} ， x_{j}^{(2)} ， \dots ， x_{j}^{(n)})

其中：

$p$ 为距离公式的参数
$x_{i}$ ， $x_{j}$ 都是 $n$ 维特征空间中的向量

举例来说，对于在二维特征空间中的两个实例 $x_{1} = (3, 3) ， x_{2} = (4, 5)$ ：

当 p=2 时，称为欧氏距离：

$L_{2} (x_{1} ， x_{2}) = {(\sum_{l = 1}^{2} {| x_{1}^{(l)} - x_{2}^{(l)} |}^{2})}^{\frac{1}{2}} = {((3 - 4)^{2} + (3 - 5)^{2})}^{\frac{1}{2}} = \sqrt{5}$

当 p=1 时，称为曼哈顿距离：

$L_{1} (x_{1} ， x_{2}) = \sum_{l = 1}^{2} | x_{1}^{(l)} - x_{2}^{(l)} | = | 3 - 4 | + | 3 - 5 | = 3$

当 p=∞ 时，它是各个坐标距离的最大值：

$L_{\infty} (x_{1} ， x_{2}) = max {| 3 - 4 | ， | 3 - 5 |} = 2$

下图代表在二维空间中 $p$ 取不同值时，与原点的 $L$ 距离为1的点围成的图形。

在k近邻算法中，通常都是采用欧氏距离。

k值的选择

$k$ 代表与测试样本距离最近的训练样本点的数量。

如果选择较小的 $k$ 值，就相当于用较小的邻域中的训练样本进行预测，“学习”的近似误差会减小，只有与测试样本较近的训练样本才会对预测结果起作用。但缺点是“学习”的估计误差会增大。预测结果会对近邻的样本点非常敏感，而远处的样本点则对此没有影响，如果邻近的样本点恰巧是噪声，预测就会出错。

k值的减小就意味着整体模型变得复杂，容易发生过拟合。

如果选择较大的 $k$ 值，优点是可以减少学习的估计误差，但缺点是学习的近似误差会增大。这时与测试样本较远的训练样本也会对预测起作用，使预测发生错误。 $k$ 值的增大就意味着整体的模型变得简单，容易发生欠拟合。

在应用中， $k$ 值一般取一个比较小的数值。通常采用交叉验证法来选取最优的 $k$ 值。

KNN 损失函数

KNN 中的分类决策规则往往是多数表决，即由测试样本的 $k$ 个邻近的训练样本中的多数类决定测试样本的类。

多数表决实际可以这样表示：如果分类的损失函数为0-1损失函数（即分类错误则为1，分类正确则为0，要极小化该损失函数，让分类错误的数量下降），分类函数为：

$f ： R^{n} \to {c_{1} ， c_{2} ， \dots ， c_{K}}$

即共有 $K$ 个类。

那么，误分类的概率 =（1 - 正确分类的概率）：

$P (Y \neq f (X)) = 1 - P (Y = f (X))$

$\frac{1}{k} \sum_{x_{i} \in N_{k} (x)} I (y_{i} \neq c_{j}) = 1 - \frac{1}{k} \sum_{x_{i} \in N_{k} (x)} I (y_{i} = c_{j})$

其中 $I$ 是指示函数。

要使误分类率最小即经验风险最小，就要使 $\sum_{x_{i} \in N_{k} (x)} I (y_{i} = c_{j})$ 最大，所以多数表决规则等价于经验风险最小化，因为多数表决使得正确分类的个数最大化，而经验风险最小化是使被误分类的个数最小化，两者等价。

就像刚才说的，可以通过交叉验证法选择最合适的 $k$ 值，具体就是对多个 $k$ 值训练多个模型，然后通过交叉验证法找到经验风险最小的 $k$ 值，就是最优 $k$ 值。

在实际应用中，如果训练样本数量很多，我们需要计算每个测试样本与每个训练样本的距离，再选择其中与各个测试样本较近的 $k$ 个训练样本，也就是所谓的线性扫描，进而确定测试样本的类，这种操作会消耗大量算力和时间。

k 个最近邻点的高阶搜索方法

kd 树的构建

kd 树搜索是一个比较基础的改进方法，分为构建和搜索两个部分。

kd 树的构建又有两种基本方法，一是维度轮替法，二是最大方差法，首先说说维度轮替法。

按照维度顺序进行构建（维度轮替法）

我依次伸出三根手指头：维度轮替法可以分为三个步骤

构造根结点：在特征空间中选择一个维度，选择所有实例在该维度上的中位数作为切分点，如果中位数所在位置不存在样本，则随机选择中位数两边的样本中的一个，使用通过该样本垂直于该维度的线，将特征空间分割为两个部分。
生成子结点：在分割出来的两个子空间中选择在当前维度小于切分点的子空间，并选择另一个维度，按照步骤1的方法确定切分点，将该子区域再次分割为两个部分，并将该切分点对应的实例特征存储在左子结点。如果选择当前维度大于切分点的子空间，则把新的切分点对应实例特征存储在右子结点。
重复步骤2，直到特征空间中的子空间中不存在实例点。

此时大爷哆啦A梦似的从兜中掏出一个笔记本和一本书，我定睛一看，好家伙，原来是经典算法入门《统计学习方法》，他随手一翻，指着书中说道：你看，这书里已经有一个例子，你就按照这例子跟我讲讲。

我伸手接过：没问题，就让我们对以下实例建立kd树：

$T = {(2 ， 3)^{T} ， (5 ， 4)^{T} ， (9 ， 6)^{T} ， (4 ， 7)^{T} ， (8 ， 1)^{T} ， (7 ， 2)^{T}}$

首先我们选择横轴作为切分轴，将所有实例的横轴坐标从小到大排列为(2, 4, 5, 7, 8, 9)，那么中位数应该是（5+7）/2 = 6，但因为没有实例点的横坐标为 6，而 kd 树中不能存在空结点，于是采用5或7为切分点，这里采用7为切分点，对应的根结点为（7，2）。

下图中，红色点和线为选中的点和切分轴。

接着在切分的子空间中，都选择竖轴作为切分轴，左空间的中位数是4，右空间的中位数是6，因此根结点左边的子结点存储（5，4），右节点存储（9，6）。

最后，由于各个子空间中要么不存在样本，要么只存在一个样本，将剩余的样本按照左小右大的原则放入下一层的子结点中即可。

可以看到对于根节点而言，左子树高度为2，右子树高度也为2，高度差为0。对于（5，4）这个结点来说，左右高度差为0。对于（9，6）来说，左右高度差为1，不超过1。因此 kd 树是平衡树，即对于每一个节点，其子节点的高度差不超过1。

按最大方差法建立 kd 树

相比于维度轮替的方法构建 kd 树，最大方差法会首先计算各个维度的方差，并选择方差最大的维度进行切分，这种构建 kd 树的方式在训练集样本分布情况较为特殊时，预测的效率较高。

比如当训练集样本如下分布时，很显然竖轴方差较大，于是根节点选择竖轴来进行切分，这样在寻找最近邻点时，需要遍历另一边的子树节点的概率较小。

大爷：为什么？

我：kd 树建立完成后，在预测过程中我们需要对存储在树中的数据进行访问，接下来解释如何对 kd 树进行搜索，讲完这个，就知道最大方差法的好处了。

kd 树的搜索

kd 树搜索的过程如下：

从根结点出发，递归地向下访问kd树。若预测样本 S 的坐标在当前维小于切分点，则向左访问，反之，向右访问，直到访问到叶节点，取该叶节点作为当前 S 的最近邻点。
以 S 和当前最近邻点做圆。
从当前叶节点回退父节点，并访问父节点的另一个分支，检查该节点或者子空间是否与圆相交
若相交，则需要往下访问子节点，查找是否存在比当前最近邻点更近的节点
若存在更近的样本，则更新最近邻点，并重复步骤2
若不存在，则重复步骤3
若不相交，则不需要访问这一分支，继续回退到上一层父节点，重复步骤3
退回到根节点后结束搜索过程，并获得最近邻点。

用刚才构建完成的 kd 树进行举例：

首先从根节点出发，由于预测点 S 的横坐标小于根节点横坐标，访问左子节点，由于 S 的纵坐标大于当前节点的纵坐标，访问右子节点，到达叶节点，停止向下访问，并以当前叶节点与 S 的距离为圆心画圆。

接着开始回退其父节点，检查圆是否与另一个分支的空间相交，检查方法就是判断 S 的纵坐标和父节点的纵坐标之差是否小于圆半径，若小于半径，则有相交。

由于相交，则检查父节点的另一个子空间中的节点，是否比当前最近邻点与 S 更近，因为（2，3）与 S 更近，则更新最近邻点为（2， 3）

接着回退到父节点（5，4），自然也要判断父节点与 S 的距离，由于距离较大，则不更新最近邻点。

最后，再次回退到上一层父节点，此时达到根节点（7，2），判断根节点的另一个子空间是否与圆相交，因没有相交，因此可以不访问另一个分支的子节点，也可以不用计算根节点与 S 的距离。

如此找到最近邻点为（2，3）。

最大方差法好在哪里

让我们来看一下特殊分布的训练集样本，使用最大方差法好在哪里。

维度轮替法（左），最大方差法（右）

上图中左边是按照维度轮替法进行切分，右边是按照最大方差法进行切分。由于训练集样本在横轴上方差较小，在纵轴上方差较大，我们有理由相信测试集样本的分布与训练集样本的分布相近，因此训练集样本也更有可能在横轴上较为接近，在纵轴上较为分散。

那么以维度轮替法进行切分就会遇到一个问题，训练集样本很有可能需要对大量父节点，甚至根节点的另一个分支进行访问，而最大方差法则有较大可能不需要访问，正如上图右边的圆没有与任何一个其他子空间相交，因此最大方差法在这种情况下效率更高。

大爷：哦哦哦哦哦~原来如此，看来小伙子确实有点东西。

我：但其实还没有解决我们的问题，KNN 要求找到 $k$ 个最近邻点，如果 $k == 1$ 还好说，如果 $k > 1$ 呢？应该如何找呢？其实解决方案很简单，利用大根堆的特性即可

用大根堆找 k 个最近邻点

我：之前讨论的所有只是为了找出训练集样本的最近邻点，但 KNN 要求找出 $k$ 个最近邻点，为了实现这个要求，我们需要维护一个大根堆，也就是每一个父节点大于等于它的两个子节点的树结构的优先队列。

当出现一个距离更近的样本时，如果大根堆中的节点数量还不足 $k$ 个，则增加一个节点并排序，如果大根堆已经有 $k$ 个节点，则对比该样本的距离与大根堆中的根节点的距离，如果大于该距离，则不改变大根堆，如果小于该距离，则替换后再进行一次排序即可。

大爷：OK，kd 树讲的差不多了，但 kd 树有一些缺陷，比如当特征数量很多，即维度很大时，其搜索的效率其实是严重下降的，因此就诞生了更高级的球树搜索。

我：我c！原来大爷您是扮猪吃老虎，装作不懂 kd 树，实际上埋伏了这么一手！

大爷：跟我讲算法，小伙子你还嫩点，听好了，球树是这么一回事。

球树的构造

kd 树是一个二叉树，每一个内部的节点都代表了一个超矩形空间，并且它的子树包含在这个超矩形空间内部的所有样本点。

但是 kd 树对于一些样本分布情况而言效率并不高，比如当大量样本落在一个超矩形的角落的情况，此时使用球树的效率会更高（对 kd 树感兴趣可以参考我的另一篇文章：https://zhuanlan.zhihu.com/p/521545516 (opens new window)）。

球树和 kd 树的构造在整体思路上差不多，细节上有些不同。

球树的结构与 kd 树类似，同样是一个二叉树，根节点选择方式如下：

找到一个中心点，使所有样本点到这个中心点的距离最短。

对于每一个节点的子节点的选择，方式如下：

选择当前超球体区域离中心最远的点作为左子节点
选择距离左子节点距离最远的点作为右子节点
对于其他的样本点，计算到左子节点和右子节点对应样本点的欧式距离，并分配到距离较近的那一个
对所有子节点做相同的操作

让我们举一个具体的例子：

对以下样本点构建球树：[1,2], [5,3], [7,9], [1,6], [9,2], [8,4], [4,4], [5,7]

首先建立根节点，找到包含所有样本点的超球体，记录球心位置，作为根节点（超球体可以是最小外接超球体，也可以不是，只需要将符合要求的样本点包含进去即可，当然越小的超球体，在搜索过程中效率越高，最小外接超球体的拟合存在很多方法，可以拉到最后查看本文最后一章，现在假设已经找到最小外接超球体）。

找到所有点中距离最远的两个点，并判断其他样本点与这两个点的距离，距离哪个点最近，则将该样本点划分到该点所在的圆内，并得到包含所有相同类别的点的圆的圆心坐标和半径，生成两个子节点。

何时停止空间分割呢，可以设定一个阈值 r，当子节点中包含的样本点数量 <= r 时，即可停止对这个子节点的分割。如果 r=4，此时我们的球树已经构建完毕。

当 r=3，或 r=2，我们还需要对两个子节点做同样的空间分割操作：

球树的每个节点中，需要包含的信息如下：

该节点包含的样本点的信息
该节点超球体的圆心坐标
该节点超球体的半径

球树的搜索

球树的搜索与 kd 树的过程类似，只是球树多了一个查找范围 R，即最近邻点需要在测试样本点周围半径为 R 的超球体内，在下图中就是黑色的超球体。

怎么搜索呢？我们可以根据测试样本点 Z，其坐标（x, y）与节点超球体 λ 圆心的距离（λx, λy），与查找范围 R 和节点超球体的半径 λr 之和进行对比：

$(x - λ_{x})^{2} + (y - λ_{y})^{2} > R + λ_{r}, 与超球体不相交 (x - λ_{x})^{2} + (y - λ_{y})^{2} \leq R + λ_{r}, 与超球体相交$

比如刚才的例子中，测试样本点与超球体 b 相交，则向下访问节点 b，继续往下搜索，发现与超球体 d 不相交，则搜索另一分支，与超球体 e 相交，则向下访问至 e。

因 e 中存在两个训练样本点，计算两个样本点与 Z 之间的距离，得到当前最近邻点（5, 3）。

接着回退父节点 b，不同于 kd 树，因为所有训练样本点都包含在叶节点中，即子节点包含的训练样本点为它们的父节点包含训练样本点的子集，因此回退到父节点后没有需要计算距离的样本，因此继续回退到根节点 a。

回退到根节点 a 后，搜索另一个分支 c，由于与 c 相交，因此向下访问 c，继续搜索，与 f 相交，向下访问 f，计算叶节点 f 中包含的训练样本点与测试样本点之间的距离，更新当前最近邻点为（5, 7）。

叶节点 f 搜索完毕，回退父节点 c，搜索另一分支 g，发现不相交，回退到根节点 a，所有分支搜索完毕，得到最近邻点（5, 7）。

球树搜索得到 k 个最近邻点

我啪啪啪地鼓起了掌：大爷说的不错，但是你刚才说的搜索只是找到最近邻点，可 KNN 要求的是找到 $k$ 个最近邻点，怎么实现呢？

大爷：你傻逼吗？刚才不是已经说过了，维护一个大根堆就可以了。

球树的改进

被大爷骂傻逼，我脸上挂不住，想了想，说道：相对于 kd 树来说，球树虽然有所改进，对高维空间也有效，但依然具有一定的缺陷。

我掏出一支笔，在墙上画了个超链接：https://arxiv.org/pdf/1511.00628.pdf (opens new window)，然后说道：这篇论文中提到球树的一个缺陷，空间分割的平衡性可能由于离群点的存在而被打破，导致搜索效率不高，比如在下图的情况下，第一次空间分割就导致了不平衡：

而上图的图(b)则是论文作者提出的一种改进球树的空间分割方法，即在空间分割前对样本做一次一维的 PCA，得到主成分所在方向，在垂直于该方向做一个超平面，将样本分割为两个部分，再生成球树。

大爷点点头：嗯，这确实是一个改进方法，如果使用这种改进，将大大缩小球树的深度，你看

大爷说着，我只觉得眼前一花，墙上多了一副图，我定睛一看，好家伙，原来大爷也看过这篇论文，连图都一模一样画下来了：

大爷继续道：这篇论文还将 kd 树，球树和改进的球树进行了对比，可见在一些特殊分布情况下，改进球树的深度比普通球树的深度要低很多，这也就增加了搜索效率和存储空间。

除此之外，球树还有一个重要问题，就是刚才提到的求多个点的最小外接圆算法，虽然不使用最小外接圆也能够跑通球树，但显然搜索效率会有所下降，因此这里简单提供两个最小外接圆的算法。

求最小外接圆（随机增量法）

对于一个已经将 i-1 个点包含在内的最小外接圆来说，我们增加一个点 i，如何找到所有点的最小外接圆呢？过程如下：

如果点 i 在当前最小外接圆内，则不重新画圆。
如果点 i 不在当前的最小外接圆内，则在点 [0, i-1] 中找一个在当前最小外接圆之外的点 j，以 i，j 两点为直径画圆。
在点 [0, j-1] 中找一个在当前圆外的点 k，并以 i, j, k 三点画圆，则为最新的最小外接圆，如果找不到 k，则当前 i, j 为直径的圆就是最小外接圆。

求最小外接圆（凸集法）

将所有点两两连线。
找到每一条所有点在线上或一侧的线，并记录这些线对应的所有点。
遍历这些点画圆，找到包含所有点，并且半径最小的圆，即最小外接圆。

我：大爷您学的还真是细，顺便还把最小外接圆算法给看了，不过刚才说的 kd 树，亦或是球树，解决的问题都是在测试时怎样尽快找到 $k$ 个近邻点的问题，但是在生成 kd 树或球树时，当训练样本数量较多时，效率依然不高，因此，我们可以在根上解决，直接减少样本数量。

针对当样本数量太多KNN计算效率下降的问题的解决方法

针对这个问题，提出了很多算法，这里提供几个跟 KNN 密切相关的：剪辑法，多重剪辑法，以及压缩近邻法。

剪辑法

我**：当训练集数据中存在一部分不同类别数据的重叠时（在一部分程度上说明这部分数据的类别比较模糊），这部分数据会对模型造成一定的过拟合，那么一个简单的想法就是将这部分数据直接剔除掉即可，也就是剪辑法。**

剪辑法将训练集 D 随机分成两个部分，一部分作为新的训练集 Dtrain，一部分作为测试集 Dtest，然后基于 Dtrain，使用 KNN 的方法对 Dtest 进行分类，并将其中分类错误的样本从整体训练集 D 中剔除掉，得到 Dnew。

由于对训练集 D 的划分是随机划分，难以保证数据重叠部分的样本在第一次剪辑时就被剔除，因此在得到 Dnew 后，可以对 Dnew 继续进行上述操作数次，这样可以得到一个比较清爽的类别分界。

以上使用了k=20的参数进行剪辑的结果，循环了10次，一般而言，k越大，被抛弃的样本会越多，因为被分类的错误的概率更大。

剪辑法还有一个好处，一部分的 outliers 也会从中被剔除掉，当然只是一些穿越到了其他类另一边的 outliers，比如左下角的那个黄色的样本，但是如果与自身类簇比较接近的，则不一定会被剔除，比如最左侧的那个紫色的样本。

剪辑法 code：

from sklearn import datasets
import matplotlib.pyplot as plt 
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier as KNN
import numpy as np
 
data,target = datasets.make_classification(n_samples=1000,n_features=2,
                                           n_informative=2,n_redundant=0,n_repeated=0,
                                           n_classes=4,n_clusters_per_class=1)

for i in range(10):
    x_train,x_test,y_train,y_test=train_test_split(data, target, test_size=0.5)

    k= 20
    KNN_clf = KNN(n_neighbors=k)
    KNN_clf.fit(x_train, y_train)
    y_predict = KNN_clf.predict(x_test)

    cond = y_predict == y_test
    x_test = x_test[cond]
    y_test = y_test[cond]

    data = np.vstack([x_train, x_test])
    target = np.hstack([y_train, y_test])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

多重剪辑法

理解了剪辑法，多重剪辑法实际很简单，就是在剪辑法的基础上做了一个修改，就是将 D 分为多个样本集，并互相作为新的训练集和测试集，逻辑上类似于交叉验证。

这个方法就不多讲了，主要讲讲压缩近邻法。

压缩近邻法

压缩近邻法的想法是认为同一类型的样本大量集中在类簇的中心，而这些集中在中心的样本对分类没有起到太大的作用，因此可以舍弃掉这些样本。

其做法是将训练集随机分为两个部分，第一个部分为 store，占所有样本的 10% 左右，第二个部分为 grabbag，占所有样本的 90% 左右，然后将 store 作为训练集训练 KNN 模型，grabbag 作为测试集，将分类错误的样本从 grabbag 中移动到 store 里，然后继续用增加了样本的 store 和减少了样本的 grabbag 再次训练和测试 KNN 模型，直到 grabbag 中所有样本被分类正确，或者 grabbag 中样本数为0。

在压缩结束之后，store 中存储的是初始化时随机选择的 10% 左右的样本，以及在之后每一次循环中被分类错误的样本，这些被分类错误的样本集中在类簇的边缘，认为是对分类作用较大的样本。

压缩近邻法

左边就是原始的样本分布，右边是经过了压缩近邻法后的样本分布，样本的数量明显下降了，当然，上图中显然存在一个缺陷，样本中存在一些 outlier，比如左下角的一个黄色的样本，和下方一个紫色的样本，都在绿色类簇的附近。

这些样本为什么会被留下来，有两个原因，一是在初始化时随机选择出来的，二是在压缩过程中，这些 outliers 显然会被错误分类，因此会被认为处于类簇的边缘，有助于分类，于是被从 grabbag 中移到了 store 里。

因此我们完全可以选择先使用剪辑法，去除掉这些 outliers，然后再使用压缩近邻法，去除掉接近类簇中心的样本。

先使用剪辑法，再使用压缩近邻法

可以看到我们的训练集的数量已经得到了明显的改善，并且也已经处理掉了所有的 outliers。

压缩邻近法 code：

while True:
    k = 20
    KNN_clf = KNN(n_neighbors=k)
    KNN_clf.fit(x_train, y_train)
    y_predict = KNN_clf.predict(x_test)

    cond = y_predict != y_test
    if ~cond.all():
        break

    x_train = np.vstack([x_train, x_test[~cond]])
    y_train = np.hstack([y_train, y_test[~cond]])
    x_test = x_test[cond]
    y_test = y_test[cond]
    
    if len(x_test) == 0:
        break

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

大爷：KNN 除了作为分类模型，以及解决样本数量较多导致计算时间过长的问题，实际上还能利用它解决一些其他问题，比如样本不平衡，回归问题，填补缺失值等。

利用 KNN 解决样本不平衡问题

当样本不平衡时，训练的模型有可能更偏向于其中样本数量较多的类别，为了解决这个问题，我们可以剔除一些数样本，也可以生成一些样本，让各种类别的样本保持平衡，而通过 KNN 剔除冗余样本的方式，也可以得到相对平衡的训练样本。

CNN

CNN 的想法十分简单，首先我们在训练集中随机选择一个样本 $x$ ，找到距离这个样本 $x$ 最近的同类样本 $p$ 和非同类样本 $q$ ，然后计算 $x$ 与 $p$ 的距离和 $x$ 与 $q$ 的距离，如果符合：

$| | x - q | | - | | x - p | | > 0$

那么我们认为这个样本是我们所需要的用于训练模型的样本。

如果不符合上式，则将这样的样本剔除掉。

当然，CNN 中用于判断样本是否应该保存的条件可以依据实际情况进行改动，比如在 $k$ 个最近邻样本中超过80%样本与 $x$ 是同类样本，即可剔除 $x$ 。

也可以确定一个半径为 $r$ 的超球体，在这个球体内的所有样本中，超过80%为 $x$ 的同类样本，则可剔除 $x$ 。

GCNN

GCNN 全称为 general condensed nearest neighbor，CNN 是 GCNN 的特殊情况。

GCNN 与 CNN 的不同之处在于将上式改写为：

| | x - q | | - | | x - p | | > ρ δ_{n} δ_{n} = m i n {| | x_{i} - x_{j} | | : l (x_{i}) \neq l (x_{j}), x_{i} \in X_{n}, x_{j} \in X_{n}}

其中 δn 是属于不同类别的两个样本点之间的最小距离，ρ 是参数，取值[0,1)，可以放大缩小阈值，当 ρ=0 时，就是 CNN。l(xi) 表示 xi 的类别。

也就是说，我们首先要找到两个不同类别的样本之间的最小距离，然后基于这个最小距离乘以一个参数，作为阈值，判断一个样本是否需要舍弃。

CNN 和 GCNN 比较

不同 ρ 值比较

下表比较了在同一数据集下，KNN，CNN 以及不同 ρ 值下的 GCNN 模型分类情况，Reduction Rate 表示留下多少百分比的样本，KNN 留下了所有样本，因此为 100%。

另外，KNN 的 $k$ 值就是依据 $k$ 个最近邻点进行分类，而 CNN 和 GCNN 的 $k$ 值代表的是根据 $k$ 个最近邻点来判断是否要剔除样本。

可以看到 KNN 的效果是最佳的，这也正常，毕竟 KNN 并没有剔除任何样本，而 CNN 剔除的样本是最多的，同时准确度也是最差的。对于 GCNN 而言，随着 ρ 值变大，保留的样本数量越多，同时准确度和训练时间也有所上升，但可以看到在 ρ=0.99 时，保留了不到 50% 的样本，但准确度只有 0.7 的下降。

准确度的变化

下图展示了在不同数据集（Segmentation, Letter, UPS, Forest, Multilingual）下，采用了三种冗余样本剔除的方式（CNN，GCNN，DROP3），并且对比了准确度，训练时间，保留样本百分比，以及与 KNN 相比较下的准确度差别。

可以明显得看到 CNN 在训练时间上有明显的优势，毕竟它保留下来的样本数量最少，而 GCNN 在剔除了一定量的样本后，其准确度相比于 KNN 来说下降最少。

KNN 填补缺失数据

大爷：KNN 填补缺失数据的想法十分简单，由于相同类别的数据其样本点相对集中在一个部位，我们可以将具有缺失的特征作为要预测的对象，将其他没有缺失的特征作为训练用特征，再利用 KNN 生成缺失数据即可。

这里有一个问题需要注意，类别特征是离散特征，而 KNN 在预测连续值方面天然具有缺陷，因此使用该方法进行填补的特征最好是离散特征。

KNN 用于回归

虽然 KNN 在预测连续值方面具有缺陷，但并不是说无法使用 KNN 预测连续值。

KNN 预测连续值的方式也很简单，找到预测样本附近的 $k$ 个样本点，然后将这 $k$ 个样本的 y 值进行平均，就得到了要测试样本的预测值。

这里存在的缺陷就是，KNN 无法预测 out of sample 的测试样本的值，也就是只能预测训练样本本身覆盖的值的范围，如果这个测试样本的真实值超过了这个范围，则无法被准确预测。

后续

我：大爷，听您说了这么多，不是要讲哲学吗？怎么没有哲学？

大爷：这 KNN 就是哲学啊，你看，人以类聚，物以群分啊，KNN 不就正体现了这一点吗？你看我们小区茫茫人海，你晚上还天天跟我一起混，为什么？不就是因为我们都是玩算法的吗？这就是类，我们俩的特征在超空间中是两个相距不远的点，孤独地相伴着……

我：( ‵o′)凸，大爷，不管是您性别，长相，还是年龄，都不合我胃口啊！

大爷：别打岔，你再细想啊，你的特征是你生来就决定的吗？你作为超空间中的点，是静止的，还是一直在运动的？当你运动到一个类簇旁边时，是你决定了加入他们，还是其他的一些因素让你远离了他们？

大爷说到这里，只听啪的一声，黑夜中一簇火苗冉冉升起，偷过这星星光点，我看到大爷的双眼深邃如渊，烟雾缭绕，心中不禁感叹，大爷果然还是我大爷。

参考

关于K近邻（KNN），看这一篇就够了！算法原理，kd树，球树，KNN解决样本不平衡，剪辑法，压缩近邻法 (opens new window)

上次更新: 2025/04/02, 12:03:38

← 感知机 PCA→