scikit-learn使用什么距离函数来分类特征？

Question

我正在学习一点ML。 我知道k最近邻（kNN）的基础知识，但我一直在示例中始终看到它用于连续数据。

我正在关注的教程现在使用kNN对一些混合类型的数据（连续特征和一些分类特征）进行分类。 我知道连续的通常只使用诸如欧几里得距离之类的东西，但是当它们混合时如何处理呢？

我知道如何轻松地计算一个二进制变量的距离，但是没有“顺序”的绝对变量又如何呢？

编辑：我正在关注Kaggle问题的本教程。 清除数据后，他具有以下形式：

Survived    Pclass  Sex Age Fare    Embarked    Title   IsAlone Age*Class
0   0   3   0   1   0   0   1   0   3
1   1   1   1   2   3   1   3   0   2
2   1   3   1   1   1   0   2   1   3
3   1   1   1   2   3   0   3   0   2
4   0   3   0   2   1   0   1   1   6
5   0   3   0   1   1   2   1   1   3
6   0   1   0   3   3   0   1   1   3
7   0   3   0   0   2   0   4   0   0
8   1   3   1   1   1   0   3   0   3
9   1   2   1   0   2   1   3   0   0

（第一列实际上是ID）

所以这有点奇怪，因为它是二进制（例如性别），分类和有序（例如，年龄分为4或5个年龄段），分类但无序（例如，Embarked基于0、1或2）的混合他们是在哪个港口上的，所以我认为没有订单）。

数据按如下方式拆分：

X_train = train_df.drop("Survived", axis=1)
Y_train = train_df["Survived"]
X_test  = test_df.drop("PassengerId", axis=1).copy()
X_train.shape, Y_train.shape, X_test.shape

然后将它们全部传递给kNN，如下所示：

knn = KNeighborsClassifier(n_neighbors = 3)
knn.fit(X_train, Y_train)
Y_pred = knn.predict(X_test)
acc_knn = round(knn.score(X_train, Y_train) * 100, 2)
acc_knn

那么如何处理kNN呢？ 我们尚未提供任何信息或指示。

Answer 1

sklearn的kNN将对所有功能使用相同的（选择的）度量（在API中指示；没有选择混合度量！）。

没错，在混合情况下这是有问题的，但是为此准备数据是您的工作！ 标准的方法是使用一个热码为解释在这里 ：

通常，特征不是连续值，而是分类值。

...

这样的整数表示不能直接与scikit-learn估计器一起使用，因为它们期望连续输入，并且会将类别解释为有序的，这通常是不希望的（即，任意设置浏览器的顺序）。

将分类特征转换为可与scikit-learn估计器一起使用的特征的一种可能性是使用在OneHotEncoder中实现的K之一或一热编码。 该估计器将具有m个可能值的每个分类特征转换为m个二进制特征，并且只有一个处于活动状态。

根据您的数据，这可能会增加很多功能！ 在这种情况下，您需要做出决定：

• 使用密集的数据结构（并且仍然能够在内部使用kd-trees / ball-trees）
• 使用稀疏数据结构（将使用蛮力查找； Note: fitting on sparse input will override the setting of this parameter, using brute force. ）