这是Python程序开发系列原创文章，我的第198篇原创文章。

一、问题

 对于表格数据，一套完整的机器学习建模流程如下：

        针对不同的数据集，有些步骤不适用即不需要做，其中橘红色框为必要步骤，由于数据质量较高，本文有些步骤跳过了，跳过的步骤将单独出文章总结！同时欢迎大家关注翻看我之前的一些相关文章。

一文彻底搞懂机器学习中的归一化与反归一化问题

【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）

【Python特征工程系列】利用随机森林模型分析特征重要性（源码）

【Python特征工程系列】8步教你用决策树模型分析特征重要性（源码）

【Python机器学习系列】拟合和回归傻傻分不清？一文带你彻底搞懂它

【Python机器学习系列】建立决策树模型预测心脏疾病（完整实现过程）

【Python机器学习系列】建立支持向量机模型预测心脏疾病（完整实现过程）

【Python机器学习系列】建立逻辑回归模型预测心脏疾病（完整实现过程）

        K最近邻（K-Nearest Neighbors，KNN）是一种基本的监督学习算法，用于分类和回归问题。KNN算法基于实例之间的相似性度量，通过将新样本与训练集中的最近邻样本进行比较，来进行预测或分类。KNN算法的基本思想是：如果一个样本在特征空间中的K个最近邻中的大多数属于某个类别，那么该样本很可能属于该类别。KNN算法不需要显式的训练过程，而是在预测阶段对每个新样本进行计算和比较。

        KNN算法的关键参数是K值，即选择的最近邻样本的数量。较小的K值会使模型更加敏感，容易受到噪声的影响，而较大的K值会使模型更加平滑，但可能忽略了样本内部的细节。KNN算法的优点包括简单易懂、不需要训练过程（即懒惰学习）和对于非线性问题具有较好的适应性。然而，KNN算法的缺点是计算复杂度高，对于大型数据集和高维数据效果可能不佳，并且对于不平衡数据集和噪声敏感。在实际应用中，可以通过交叉验证或网格搜索等技术来选择合适的K值，并对数据进行预处理（如特征缩放）以提高算法的性能。scikit-learn是一个流行的Python机器学习库，提供了各种机器学习算法的实现，包括K近邻（KNN）算法。在scikit-learn中，KNN算法的实现主要集中在sklearn.neighbors模块中。

        本文将实现基于心脏疾病数据集建立KNN模型对心脏疾病患者进行分类预测的完整过程。

二、实现过程

导入必要的库

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.utils import shuffle
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
from sklearn.metrics import roc_curve
from sklearn.metrics import auc
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

1、准备数据

data = pd.read_csv(r'Dataset.csv')
df = pd.DataFrame(data)

df：

数据基本信息：

print(df.head())
print(df.info())
print(df.shape)
print(df.columns)
print(df.dtypes)
cat_cols = [col for col in df.columns if df[col].dtype == "object"] # 类别型变量名
num_cols = [col for col in df.columns if df[col].dtype != "object"] # 数值型变量名

2、提取特征变量和目标变量

target = 'target'
features = df.columns.drop(target)
print(data["target"].value_counts()) # 顺便查看一下样本是否平衡

3、数据集划分

df = shuffle(df)
X_train, X_test, y_train, y_test = train_test_split(df[features], df[target], test_size=0.2, random_state=0)

4、模型的构建与训练

# 模型的构建与训练
training_accuracy = []
test_accuracy = []
# try n_neighbors from 1 to 10
neighbors_settings = range(1, 11)
for n_neighbors in neighbors_settings:knn = KNeighborsClassifier(n_neighbors=n_neighbors)  knn.fit(X_train, y_train)  training_accuracy.append(knn.score(X_train, y_train))  test_accuracy.append(knn.score(X_test, y_test))  plt.figure()
plt.plot(neighbors_settings, training_accuracy, label="training accuracy")
plt.plot(neighbors_settings, test_accuracy, label="test accuracy")
plt.ylabel("Accuracy")
plt.xlabel("n_neighbors")
plt.legend()model = KNeighborsClassifier(n_neighbors=5)
model.fit(X_train, y_train)

选择最佳的K=5：

参数详解：

from sklearn.neighbors import KNeighborsClassifier
KNeighborsClassifier(n_neighbors = 5,weights='uniform',algorithm = '',leaf_size = '30',p = 2,metric = 'minkowski',metric_params = None,n_jobs = None)

- n_neighbors：这个值就是指 KNN 中的 “K”了。前面说到过，通过调整 K 值，算法会有不同的效果。

- weights（权重）：最普遍的 KNN 算法无论距离如何，权重都一样，但有时候我们想搞点特殊化，比如距离更近的点让它更加重要。这时候就需要 weight 这个参数了，这个参数有三个可选参数的值，决定了如何分配权重。参数选项如下：       

•  'uniform'：不管远近权重都一样，就是最普通的 KNN 算法的形式。       

• 'distance'：权重和距离成反比，距离预测目标越近具有越高的权重。       

• 自定义函数：自定义一个函数，根据输入的坐标值返回对应的权重，达到自定义权重的目的。

- algorithm：在 sklearn 中，要构建 KNN 模型有三种构建方式，1. 暴力法，就是直接计算距离存储比较的那种放松。2. 使用 kd 树构建 KNN 模型 3. 使用球树构建。其中暴力法适合数据较小的方式，否则效率会比较低。如果数据量比较大一般会选择用 KD 树构建 KNN 模型，而当 KD 树也比较慢的时候，则可以试试球树来构建 KNN。参数选项如下： • 'brute' ：蛮力实现 • 'kd_tree'：KD 树实现 KNN • 'ball_tree'：球树实现 KNN • 'auto'：默认参数，自动选择合适的方法构建模型 不过当数据较小或比较稀疏时，无论选择哪个最后都会使用 'brute'

- leaf_size：如果是选择蛮力实现，那么这个值是可以忽略的，当使用KD树或球树，它就是是停止建子树的叶子节点数量的阈值。默认30，但如果数据量增多这个参数需要增大，否则速度过慢不说，还容易过拟合。

- p：和metric结合使用的，当metric参数是"minkowski"的时候，p=1为曼哈顿距离， p=2为欧式距离。默认为p=2。

- metric：指定距离度量方法，一般都是使用欧式距离。

        • 'euclidean' ：欧式距离

        • 'manhattan'：曼哈顿距离

        • 'chebyshev'：切比雪夫距离

        • 'minkowski'：闵可夫斯基距离，默认参数

- n_jobs：指定多少个CPU进行运算，默认是-1，也就是全部都算。

5、模型的推理与评价

y_pred = model.predict(X_test)
y_scores = model.predict_proba(X_test)
acc = accuracy_score(y_test, y_pred) # 准确率acc
cm = confusion_matrix(y_test, y_pred) # 混淆矩阵
cr = classification_report(y_test, y_pred) # 分类报告
fpr, tpr, thresholds = roc_curve(y_test, y_scores[:, 1], pos_label=1) # 计算ROC曲线和AUC值,绘制ROC曲线
roc_auc = auc(fpr, tpr)
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc="lower right")
plt.show()

cm和cr：

ROC：

三、小结

        本文利用scikit-learn（一个常用的机器学习库）实现了基于心脏疾病数据集建立KNN模型对心脏疾病患者进行分类预测的完整过程。

作者简介：

读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信！