作为想在AI领域长期发展的PM同学来说，对算法有一个初步、通识的了解是非常有必要的。今天我们就从一个最为简单、易懂的“k-近邻（KNN）算法”聊起，KNN属于监督学习算法，即可以用于分类，也可以用于回归，后续还会逐步为大家介绍一些常用的其他算法。

作为想在AI领域长期发展的PM同学来说，对算法有一个初步、通识的了解是非常有必要的。

我们之所以要了解算法，不仅仅有利于和算法同学的沟通，更能深入的理解人工智能为产品赋能的过程，只有将这个过程了解透彻，才能清晰明确的把握产品的方向，挖掘产品的亮点。

那么，今天我们就从一个最为简单、易懂的“k-近邻（KNN）算法”聊起，KNN属于监督学习算法，即可以用于分类，也可以用于回归，后续还会逐步为大家介绍一些常用的其他算法。

KNN的核心思想可以用一句俗语表达：“物以类聚、人以群分”，想了解一个人，可以看他交什么样的朋友。即它的核心思想是：如果一个样本在特征空间中的k个最相邻的样本（距离最近的样本）中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

这里面提及的距离，一般可以选用欧氏距离、曼哈顿距离、闵式距离等等公式进行计算，对于我们初步了解的产品经理来讲，就不上各种公式了。

我们用这个图做一个简单的介绍，蓝色方形（用B标识）和红色三角（R）代表两个不同的分类，绿色圆形（C）是待分类样本，根据KNN的思想，如果K=3，则C的最近邻有1B、2R，根据少数服从多数原则，C应该属于“R”的类型。如果k=5呢?C的最近邻有3B、2R，C是不是应该属于“B”类型了呢？

其中判定类别也有两种方法：

1. 投票决定：少数服从多数，近邻中哪个类别的点最多就分为哪类。
2. 加权投票法：根据距离的远近、对邻近的投票进行加权，距离越近咋权重越大（权重为距离平方的倒数。）

看到这儿，是不是有不少小伙伴产生了疑问，那该如何选择K值呢？K值的大小又将如何影响模型的效果呢？

关于K值的选择，需要注意：

• k值过大，非相似数据被包含较多，造成噪声增加而导致分类结果的降低；
• k值过小，得到的邻近数过少，会降低分类精度，同时也会放大噪声数据的干扰；

经验规则：k一般低于训练样本数的平方根，通常采用交叉检验来确定。

接下来我们简单介绍一下训练过程，有如下几步：

1. 准备数据，对数据进行预处理；
2. 选用合适的数据结构存储训练数据和测试元组；
3. 设定参数，如k；
4. 维护一个大小为k的的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列；
5. 遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L 与优先级队列中的最大距离Lmax
6. 进行比较。若L>=Lmax，则舍弃该元组，遍历下一个元组。若L < Lmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。
7.  遍历完毕，计算优先级队列中k 个元组的多数类，并将其作为测试元组的类别。
8. 测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k 值。

基本概念和训练过程我们都简单的介绍清楚了，下面来讲讲K近邻的优势及缺陷。

优势：

1. 简单，易于理解，易于实现，无需估计参数，无需训练；
2. 特别适合于多分类问题(multi-modal,对象具有多个类别标签)， kNN比SVM的表现要好。

缺点：

1. 计算复杂度高、空间复杂度高；
2. 样本严重不平衡时，如果一个类的样本容量很大，而其他类很小，有可能导致输入一个新样本时，被误判为该分类的概率会很大。

了解了算法的优势和局限性，下面就要了解一下它的适用领域了：

• 模式识别，特别是光学字符识别；
• 统计分类；
• 计算机视觉；
• 数据库，如基于内容的图像检索；
• 编码理论（最大似然编码）；
• 数据压缩（mpeg-2标准）；
• 向导系统；
• 网络营销；
• DNA测序
• 拼写检查，建议正确拼写；
• 剽窃侦查；
• 相似比分算法，用来推动运动员的职业表现。

本文由 @燕然未勒 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash ，基于 CC0 协议。