相关文章

1. K近邻算法和KD树详细介绍及其原理详解
2. 朴素贝叶斯算法和拉普拉斯平滑详细介绍及其原理详解
3. 决策树算法和CART决策树算法详细介绍及其原理详解
4. 线性回归算法和逻辑斯谛回归算法详细介绍及其原理详解
5. 硬间隔支持向量机算法、软间隔支持向量机算法、非线性支持向量机算法详细介绍及其原理详解
6. 高斯分布、高斯混合模型、EM算法详细介绍及其原理详解

前言

  K近邻算法一般是我们学习机器学习的入门算法，本篇文章详细介绍了K近邻算法，并对其原理进行了说明。同时，为了优化K近邻算法查找最近K个邻域样本的性能，本文也对KD进行详细介绍和原理说明。相信通过文本的学习，您对K近邻算法和KD树一定有更深的理解，本文的全部内容如下所示！

一、K近邻算法

  假设现在有这么一种情况，如下图所示，平面上有两类点，其中有三个A类点，两个B类点，我们如何确定新的点（?点）属于A类点还是B类点呢？

  一个非常自然的想法就是，如果它（?点）更靠近A类点，那么就属于A类点，反之，如果它更靠近B类点，那么就属于B类点。所以，我们可以选择距离它最近的三个点作为参考点，如下图所示：

  可以看到，在离它最近的三个点中，其中一个属于A类点，两个属于B类点，如果此时我们采用少数服从多数的原则，就可以判断它属于B类点，这种分类算法就是K近邻（ K-Nearest Neighbor，KNN ）算法，在本例中，因为选取了三个点作为参考点，所以K=3，这也是K近邻算法名称的由来。K近邻算法通常由三个要素：

• 距离远近：距离度量
• 参考点数量：K值
• 分类决策规则：少数服从多数

  现在我们考虑更一般的情况，假设现在有数据集$T=\{(x_1,y_1),(x_2,y_2),\dots ,(x_n,y_n)\}$，其中每一个元素是一个样本，数据集$T$中共$N$个样本，其中：

• $x_1\sim x_n$是样本特征
• $y_1\sim y_n$样本类别

  假设现在数据集$T$中共有$5$（$n=5$）个样本点，我们的目的就是将待分类样本$(x,y)$进行正确的样本分类

  根据上面介绍过的K近邻算法，我们可以首先找到待分类样本$(x,y)$的邻域：

图4：待分类样本(x,y)的邻域

  找到其邻域后，我们就可以对待分类样本$(x,y)$进行分类，这个过程共分为两步：

1. 根据距离度量和K值计算$x$的邻域$N_k(x)$
2. 根据分类决策规则计算类别$y$

  这里首先要解决的问题就是如何计算$x$的邻域$N_k(x)$，一个非常自然的想法就是计算$x$和每个样本之间的距离，如下图所示：

  然后将计算后得到的距离保存在一个数组里面：

  因为我们要找距离最近的K个样本作为邻域样本，所以对数组进行升序排序，排序后的前K个数据，就代表了距离$x$最近的K个样本，那么这K个样本就是$x$的邻域样本：

  上面提到的这种方法虽然很简单，但是需要计算$x$和每个样本之间的距离，所以整个线性查找计算过程的时间复杂度为$O(N)$，所以计算量较大，那么是否存在更加快速的求邻域的方法呢？答案是有的，也就是我们耳熟能详的KD树（K-Dimensional Tree）。

二、KD树

  以下图中的七个初始样本为例，这七个样本作为初始样本使用，如果有需要进行分类的样本，那么就要计算待分类样本与这七个初始样本之间的距离。

  刚才我们也提到了，如果全部都遍历求距离的话，计算量较大，所以我们使用KD树来计算最小距离，在使用KD树之前，我们首先要对初始样本进行KD树的初始化，整个过程如下所示：

1. 首先要将这七个初始样本储存在KD树中，由上图可以看到，样本坐标为$(x,y)$，所以首先我们考虑$x$轴，也就是首先以$x$轴为标准，找到这七个初始样本中$x$坐标的中位数，也就是节点四，此时，我们将节点四储存为KD树的根节点，以节点四的$x$坐标为界，可以把平面分成左右两个部分，如下图所示：

图9：根据x轴样本的中位数划分左右子空间

2. 当我们将平面分为左右两部分之后，首先考虑左边三个初始样本，在这三个初始样本中，我们以$y$轴作为标准寻找这三个初始样本的$y$坐标的中位数，也就是节点一。我们把节点一储存在节点四的左子树中，并把左边的空间分割成两个子空间，如下图所示：

需要注意的是，分割后的两个子空间中分别只有一个样本，那么我们分别将这两个样本储存为叶节点，如下图所示：

3. 以此类推，我们可以构建出右边的KD子树，首先以$y$轴为标准，找到中位数节点六，然后将两个子空间中的节点保存在叶节点中，如下图所示：

4. 当然，如果还有额外的样本，我们可以继续以$x$为标准，将空间进一步划分，如下图所示，总之，就是交替以$x$和$y$作为标准进行子空间的划分和KD树的建立

  此时，我们已经将七个初始样本进行了KD树的初始化，假如现在有一个待分类样本$x$，其坐标为$[438,681]$。如下图所示：

  此时我们该如何利用已经初始化好的KD树寻找和$x$最近的样本呢？整个过程如下所示：

1. 首先从根节点遍历，因为节点四的空间划分是以$x$轴为标准的，而待分类样本$x$的$x$值小于节点四的$x$值，所以我们应该查找左边的子树，如下图所示：

2. 类似的，因为左子树的根节点是节点一，并且节点一的划分依据是$y$轴，而且待分类样本$x$的$y$值小于节点一的$y$值，因此我们应该查找左边的叶节点，如下图所示：

3. 当我们达到叶节点后就不能继续划分了，因为已经到头了，所以我们暂时将叶节点二作为距离待分类样本$x$最近的初始样本，然后我们以待分类样本$x$到节点二的距离作为半径，得到$x$的查找范围，那么距离待分类样本$x$最近的样本就在这个范围里面，如下图所示：

4. 现在我们已经确定了距离待分类样本$x$最近的初始样本所处的范围（上图中圆圈内的部分），所以我们只需要计算在这个范围内的所有初始样本与待分类样本$x$的距离，然后通过不停的更新最小距离样本就可以得到距离待分类样本$x$最近的初始样本了，这个过程我们可以通过回溯算法遍历KD树得到，在回溯的过程中需要记住一个查找原则：如果此节点所代表的空间范围和查找范围相交，则计算与待分类样本$x$的距离，否则不计算，整个回溯遍历KD树的过程如下所示：

   ① 首先回溯到节点二的父节点，也就是节点一，因为节点一所代表的空间范围和查找范围相交，所以我们计算节点一到待分类样本$x$之间的距离，并更新最小距离样本（因为节点一与待分类样本$x$之间的距离更小）。然后继续回溯到节点三，按照同样的方法计算并更新最小距离，如下图所示：

② 以此类推，我们可以回溯到根节点，计算每一个和查找范围相交的节点（橙色的节点）与待分类样本$x$之间的距离，最后发现和待分类样本$x$最近的节点就是节点三，这个过程如下图所示：

5. 当我们找到距离待分类样本$x$最近的初始样本（节点三）后，可以根据K值继续求得其他最近的初始样本，直到求出K个停止，然后根据分类决策规则就可以得到待分类样本的类别了

  可以看到，通过KD树查找距离最近的样本时，并不需要对每个样本都计算距离，在上例中节点五并没有参与计算，因为节点五所代表的空间范围和查找范围不相交，所以就可以节省很多不必要的计算。在当$n$足够大，且样本随机分布的情况下，KD树检索距离最近样本的平均时间复杂度为$O(logN)$，很明显比最开始提到的线性查找计算性能更高。

  如果我们使用KD树作为计算距离最近的初始样本的检索方法，此时假设初始样本为$T=\{(x_1,y_1),(x_2,y_2),\dots ,(x_n,y_n)\}$，待分类样本为$(x,y)$，那么原来的K近邻算法可以被改进为如下步骤：

1. 根据$T$中的样本构建KD树
2. 根据距离度量，运行K次KD树搜索，计算$N_k(x)$
3. 根据分类决策规则，计算新样本的类别$y$

总结

  以上就是本文的全部内容了，后续还会为大家带来更优质的关于机器学习的算法博客，下篇博文见！