时间戳

首页 > 解决方案 > Knn 赋予距离上的特定特征更多的权重

pandas - Knn 赋予距离上的特定特征更多的权重

问题描述

我正在使用Kobe Bryant Dataset。我希望用 KnnRegressor 预测 shot_made_flag。

我曾经game_date提取year和month特征：

# covert season to years
kobe_data_encoded['season'] = kobe_data_encoded['season'].apply(lambda x: int(re.compile('(\d+)-').findall(x)[0]))

# add year and month using game_date
kobe_data_encoded['year'] = kobe_data_encoded['game_date'].apply(lambda x: int(re.compile('(\d{4})').findall(x)[0]))
kobe_data_encoded['month'] = kobe_data_encoded['game_date'].apply(lambda x: int(re.compile('-(\d+)-').findall(x)[0]))
kobe_data_encoded = kobe_data_encoded.drop(columns=['game_date'])

并且我希望使用season, year,month特征在距离函数中赋予它们更大的权重，因此与当前事件日期更近的事件将是更近的邻居，但仍与潜在的其他数据点保持合理的距离，例如我不希望发生事件由于日期功能，同一天将是最近的邻居，但它会考虑其他功能，例如shot_range等。
为了给它更多的权重，我尝试使用metric自定义距离函数的参数，但参数该函数只是numpy没有熊猫列信息的数组，所以我不确定我能做什么以及如何实现我想要做的事情。

编辑：

对日期特征使用更大的权重来找到从cv10 中运行的最佳 k ：k[1, 100]

from IPython.display import display
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import StratifiedKFold
from sklearn.model_selection import cross_val_score

# scaling
min_max_scaler = preprocessing.MinMaxScaler()
scaled_features_df = kobe_data_encoded.copy()
column_names = ['loc_x', 'loc_y', 'minutes_remaining', 'period',
                'seconds_remaining', 'shot_distance', 'shot_type', 'shot_zone_range']
scaled_features = min_max_scaler.fit_transform(scaled_features_df[column_names])
scaled_features_df[column_names] = scaled_features

not_classified_df = scaled_features_df[scaled_features_df['shot_made_flag'].isnull()]
classified_df = scaled_features_df[scaled_features_df['shot_made_flag'].notnull()]
X = classified_df.drop(columns=['shot_made_flag'])
y = classified_df['shot_made_flag']
cv = StratifiedKFold(n_splits=10, shuffle=True)

neighbors = [x for x in range(1, 100)]
cv_scores = []

weight = np.ones((X.shape[1],))
weight[[X.columns.get_loc("season"),
 X.columns.get_loc("year"),
 X.columns.get_loc("month")
]] = 5
weight = weight/weight.sum()  #Normalize weights

def my_distance(x, y):
    dist = ((x-y)**2)
    return np.dot(dist, weight)

for k in neighbors:
    print('k: ', k)
    knn = KNeighborsClassifier(n_neighbors=k, metric=my_distance)
    cv_scores.append(np.mean(cross_val_score(knn, X, y, cv=cv, scoring='roc_auc')))

#optimal K
optimal_k_index = cv_scores.index(min(cv_scores))
optimal_k = neighbors[optimal_k_index]
print('best k: ', optimal_k)
plt.plot(neighbors, cv_scores)
plt.xlabel('Number of Neighbors K')
plt.ylabel('ROC AUC')
plt.show()

运行真的很慢，知道如何让它更快吗？加权特征的想法是找到更接近数据点日期的邻居以避免数据泄漏和 cv 以找到最佳 k。

标签： pandasmachine-learningscikit-learnknnweighted-average

解决方案

首先，您必须准备一个 numpy 一维weight数组，为每个特征指定权重。您可以执行以下操作：

weight = np.ones((M,))  # M is no of features
weight[[1,7,10]] = 2    # Increase weight of 1st,7th and 10th features
weight = weight/weight.sum()  #Normalize weights

您可以使用在数据框中查找, ,特征的kobe_data_encoded.columns索引 来替换上面的第二行。seasonyearmonth

现在定义一个距离函数，根据准则，它必须采用两个 1D numpy 数组。

def my_dist(x,y):
    global weight     #1D array, same shape as x or y
    dist = ((x-y)**2) #1D array, same shape as x or y
    return np.dot(dist,weight)  # a scalar float

并初始化KNeighborsRegressor为：

knn = KNeighborsRegressor(metric=my_dist)

编辑：为了提高效率，您可以预先计算距离矩阵，并在KNN. 这应该通过减少对 的调用来显着提高速度my_dist，因为这个非向量化的自定义 python 距离函数非常慢。所以现在——

dist = np.zeros((len(X),len(X)))  #Computing NXN distance matrix
for i in range(len(X)):           # You can halve this by using the fact that dist[i,j] = dist[j,i]
    for j in range(len(X)):
        dist[i,j] = my_dist(X[i],X[j])

for k in neighbors:
    print('k: ', k)
    knn = KNeighborsClassifier(n_neighbors=k, metric='precomputed') #Note: metric='precomputed' 
    cv_scores.append(np.mean(cross_val_score(knn, dist, y, cv=cv, scoring='roc_auc'))) #Note: passing dist instead of X

我无法测试它，所以如果有什么问题，请告诉我。

推荐阅读