K-Nearest Neighbor (KNN) —— K-近邻

引言

在前两篇文章中，我们先后学习了线性回归和逻辑回归。它们都属于参数化模型——训练阶段通过优化算法（最小二乘或梯度下降）从数据中“提炼”出一组固定的参数 $\theta$ ，预测时只需要 $\theta^T x$ 一次计算即可完成。这是一种“急切学习”（Eager Learning）的范式：训练很费力，但预测极快。

K-近邻（KNN） 彻底颠覆了这套流程。它是机器学习中最著名的“懒惰学习”（Lazy Learning）算法 —— 训练阶段几乎不做任何计算，仅仅把训练数据存储下来；预测阶段才“临时抱佛脚”，现场计算新样本与所有训练样本的距离，挑选最近的 $k$ 个邻居来投票或平均。这种“延迟计算”的策略让 KNN 成为非参数化模型的典型代表：它不对数据分布做任何假设，模型的“容量”随着训练集规模自然增长。

本文将从 KNN 的核心机制出发——分类用投票、回归用平均（或距离加权平均） —— 并深入探讨两个工程落地的关键问题：其一是如何加速，我们将剖析 KD-Tree 与 Ball-Tree 的空间划分原理，理解为何前者在低维高效、后者在高维更有优势；其二是为何在高维会失效，我们将从数学上揭示维度灾难导致欧氏距离趋同的本质原因，并强调特征标准化对 KNN 来说不是可选项而是必选项。

Note
读完本文，你将理解“没有训练过程的训练”为何依然有效，也将认清 KNN 的适用边界——它最适合低维、样本量适中的场景。
本文之后，我们将进入朴素贝叶斯，迎来第一个基于概率公式而非距离度量的分类器，开启完全不同的建模视角。

一、KNN 的核心机制：投票与回归

1.1 算法思想

KNN 算法的核心思想是：给定一个测试样本，在训练集中找出与它距离最近的 $k$ 个样本（即 $k$ 个邻居），然后根据这些邻居的信息来做预测。

KNN 算法的具体流程为：对每个待预测的样本点，首先计算它与训练集中所有样本点的距离，并按距离从小到大排序；然后选取距离最小的 k 个点，最后根据这 k 个点的标签做决策。

1.2 分类任务：投票法

对于分类问题，KNN 使用投票法（Voting） —— 统计 $k$ 个邻居中每个类别出现的次数，将出现次数最多的类别作为预测结果。

数学上，测试样本 $x$ 的预测类别为：

\hat{y} = \arg\max_{c} \sum_{i \in \mathcal{N}_k(x)} \mathbb{I}(y_i = c)

其中 $\mathcal{N}_k(x)$ 是 $x$ 的 $k$ 个最近邻的集合， $\mathbb{I}(\cdot)$ 是指示函数。

K 值的选择至关重要：

K 值过小（如 K = 1）：模型对噪声敏感，容易过拟合——一个异常点就可能改变预测结果
K 值过大：模型过于平滑，容易欠拟合——远距离的样本也会影响预测
极端情况 K = N：无论输入什么，都预测为训练集中最多的类别，模型完全失效

1.3 回归任务：平均法与加权平均法

对于回归问题，KNN 使用平均法（Averaging） —— 计算 $k$ 个邻居的输出值的平均值作为预测结果：

\hat{y} = \frac{1}{k} \sum_{i \in \mathcal{N}_k(x)} y_i

但更精细的做法是加权平均 —— 距离越近的邻居权重越大：

\hat{y} = \frac{\sum_{i \in \mathcal{N}_k(x)} w_i \cdot y_i}{\sum_{i \in \mathcal{N}_k(x)} w_i}

其中权重 $w_i$ 通常取距离的倒数： $w_i = 1 / d(x, x_i)$ 。

代码实现：

1
import numpy as np
2
from collections import Counter
3
from sklearn.datasets import make_classification, make_regression
4
from sklearn.model_selection import train_test_split
5
from sklearn.preprocessing import StandardScaler
6
from sklearn.metrics import accuracy_score, mean_squared_error
7

8
class KNN:
9
    """从头实现 K-近邻算法（支持分类与回归）"""
10

11
    def __init__(self, k=5, weights='uniform'):
12
        """
13
        k: 邻居数量
14
        weights: 'uniform' 等权投票/平均, 'distance' 距离加权
15
        """
16
        self.k = k
17
        self.weights = weights
18
        self.X_train = None
19
        self.y_train = None
20

21
    def fit(self, X, y):
22
        """KNN 是懒惰学习——训练阶段只存储数据"""
23
        self.X_train = X
24
        self.y_train = y
25
        return self
26

27
    def _predict_one(self, x):
28
        """预测单个样本"""
29
        # 计算到所有训练样本的欧氏距离
30
        distances = np.linalg.norm(self.X_train - x, axis=1)
31

32
        # 获取 k 个最近邻的索引
33
        k_indices = np.argsort(distances)[:self.k]
34
        k_distances = distances[k_indices]
35
        k_labels = self.y_train[k_indices]
36

37
        # 判断是分类还是回归
38
        if self.y_train.dtype == np.float64 or self.y_train.dtype == np.float32:
39
            # 回归：平均或加权平均
40
            if self.weights == 'uniform':
41
                return np.mean(k_labels)
42
            else:
43
                # 距离加权（加一个小 epsilon 防止除零）
44
                weights = 1.0 / (k_distances + 1e-8)
45
                return np.average(k_labels, weights=weights)
46
        else:
47
            # 分类：投票或加权投票
48
            if self.weights == 'uniform':
49
                counter = Counter(k_labels)
50
                return counter.most_common(1)[0][0]
51
            else:
52
                # 距离加权投票
53
                weights = 1.0 / (k_distances + 1e-8)
54
                weight_dict = {}
55
                for label, w in zip(k_labels, weights):
56
                    weight_dict[label] = weight_dict.get(label, 0) + w
57
                return max(weight_dict, key=weight_dict.get)
58

59
    def predict(self, X):
60
        return np.array([self._predict_one(x) for x in X])
61

62
# ============ 分类示例 ============
63
X_clf, y_clf = make_classification(n_samples=300, n_features=4,
64
                                    n_informative=3, n_redundant=1,
65
                                    n_classes=3, random_state=42)
66
X_train, X_test, y_train, y_test = train_test_split(X_clf, y_clf, test_size=0.3)
67

68
# 标准化（后面会解释为什么这是必须的）
69
scaler = StandardScaler()
70
X_train_scaled = scaler.fit_transform(X_train)
71
X_test_scaled = scaler.transform(X_test)
72

73
knn = KNN(k=5, weights='distance')
74
knn.fit(X_train_scaled, y_train)
75
y_pred = knn.predict(X_test_scaled)
76
print(f"分类准确率: {accuracy_score(y_test, y_pred):.4f}")
77

78
# ============ 回归示例 ============
79
X_reg, y_reg = make_regression(n_samples=300, n_features=4, noise=10, random_state=42)
80
X_train, X_test, y_train, y_test = train_test_split(X_reg, y_reg, test_size=0.3)
81

82
scaler = StandardScaler()
83
X_train_scaled = scaler.fit_transform(X_train)
84
X_test_scaled = scaler.transform(X_test)
85

86
knn_reg = KNN(k=5, weights='distance')
87
knn_reg.fit(X_train_scaled, y_train)
88
y_pred = knn_reg.predict(X_test_scaled)
89
print(f"回归 MSE: {mean_squared_error(y_test, y_pred):.4f}")

1.4 距离度量

KNN 的核心操作是计算距离。最常用的是欧氏距离（Euclidean Distance）：

d(x, z) = \sqrt{\sum_{j=1}^{p} (x_j - z_j)^2}

其中 $p$ 是特征的维度。

除此之外，曼哈顿距离、切比雪夫距离、马氏距离等也各有适用场景。

距离名称	数学公式	直观别名	适用场景	缺点 / 预处理要求
欧氏距离	$d = \sqrt{\sum_{j=1}^{p} (x_j - z_j)^2}$	直线距离（两点间最短路径）	特征相互独立、物理含义一致（如图像像素、点云坐标）	对量纲和异常值极其敏感，必须做标准化
曼哈顿距离	$d = \sum_{j=1}^{p} \mid x_j - z_j \mid$	城市街区距离（只能走直角）	高维稀疏数据（如文本词频）、特征间有显著异常值	比欧氏距离鲁棒，但仍依赖标准化
切比雪夫距离	$d = \max\limits_{j} \mid x_j - z_j \mid$	棋盘距离（国王走一步的覆盖范围）	只关心“最坏情况”下的最大偏差（如仓库调度、多指标监控）	忽略其余维度信息，容易丢失全局相似度
马氏距离	$d = \sqrt{(x - z)^T \Sigma^{-1} (x - z)}$	消除相关性的距离（将椭圆拉伸为正圆）	特征单位不同（如年龄+收入）、特征间强相关（如身高+体重）	无需手动标准化，但需计算协方差矩阵逆， $p > n$ 时不可用；计算成本高

二、KD-Tree 与 Ball-Tree：加速 KNN 搜索

2.1 暴力法的困境

最朴素的 KNN 实现是暴力法（Brute Force） ：对每个待预测样本，计算它与所有训练样本的距离，然后排序取前 $k$ 个。

这种方法的时间复杂度是 $O(n)$ ，其中 $n$ 是训练样本的数量。当数据集很大时（比如百万级样本），每次预测都要计算百万次距离，这是不可接受的。

2.2 KD-Tree：基于超矩形的空间划分

KD-Tree（K-Dimensional Tree） 是一种二叉树数据结构，它通过递归地将空间划分为超矩形（Hyper-rectangles） 来组织数据点。

构建过程：

在当前节点，选择一个维度（通常轮流选择）
在该维度上找到所有数据点的中位数
用中位数将数据分成两半：小于中位数的放左子树，大于的放右子树
递归地在左右子树上重复上述过程

搜索过程：

从根节点开始，根据目标点在当前维度的值，决定进入左子树还是右子树
到达叶子节点后，计算该节点中样本与目标点的距离，作为当前最佳
回溯到父节点，检查父节点的另一个子树是否可能存在更近的点（通过计算目标点到该子树对应超矩形的最小距离）
如果可能，则进入该子树搜索；否则剪枝

KD-Tree 的优势：它不需要计算目标点到所有样本的距离，而是通过剪枝跳过了大量不可能成为最近邻的区域。

KD-Tree 的局限性：随着维度 $D$ 的增加，KD-Tree 的性能会急剧下降。当维度较高时（通常认为 $D > 20$ ），KD-Tree 的效率会退化到接近暴力法。这是因为在高维空间中，数据点变得极其稀疏，超矩形之间的边界模糊，剪枝效果大打折扣。

2.3 Ball-Tree：基于超球体的空间划分

Ball-Tree 是对 KD-Tree 的改进，它使用超球体（Hyperspheres） 而不是超矩形来划分空间。

构建过程：

选择一个数据点作为球心
找到距离球心最远的点，用它们确定一个最小包围球
将球内的点分配到两个子球中
递归构建

搜索过程与 KD-Tree 类似，但剪枝条件变为：如果目标点到某个球心的距离减去该球的半径，仍然大于当前找到的最佳距离，则整个球体都可以被剪枝。

Ball-Tree 的优势：

在高维空间中表现优于 KD-Tree
能更好地处理非均匀分布的数据
球体划分比矩形划分更适应高维空间的几何特性

KD-Tree vs Ball-Tree 总结

特性 KD-Tree Ball-Tree
划分形状 超矩形 超球体
低维表现优秀良好
高维表现（D>20）显著下降 相对较好
适用场景 低维到中维数据 高维数据、非均匀分布

特性	KD-Tree	Ball-Tree
划分形状	超矩形	超球体
低维表现	优秀	良好
高维表现（D>20）	显著下降	相对较好
适用场景	低维到中维数据	高维数据、非均匀分布

代码实现：

1
from sklearn.neighbors import KNeighborsClassifier
2
import time
3

4
# 生成不同维度的数据
5
for dim in [2, 5, 10, 20, 50]:
6
    X, y = make_classification(n_samples=5000, n_features=dim,
7
                                n_informative=dim, n_redundant=0,
8
                                n_classes=2, random_state=42)
9
    X_train, X_test = X[:4000], X[4000:]
10
    y_train, y_test = y[:4000], y[4000:]
11

12
    # KD-Tree
13
    start = time.time()
14
    knn_kd = KNeighborsClassifier(n_neighbors=5, algorithm='kd_tree')
15
    knn_kd.fit(X_train, y_train)
16
    knn_kd.predict(X_test)
17
    kd_time = time.time() - start
18

19
    # Ball-Tree
20
    start = time.time()
21
    knn_ball = KNeighborsClassifier(n_neighbors=5, algorithm='ball_tree')
22
    knn_ball.fit(X_train, y_train)
23
    knn_ball.predict(X_test)
24
    ball_time = time.time() - start
25

26
    print(f"维度 {dim:2d}: KD-Tree {kd_time:.4f}s, Ball-Tree {ball_time:.4f}s")
27
# 输出会显示：低维时 KD-Tree 更快，高维时 Ball-Tree 优势明显

三、维度灾难：欧氏距离的失效

3.1 维度灾难

维度灾难（Curse of Dimensionality） 是指随着特征维度的增加，数据在高维空间中的性质会发生根本性的变化，导致许多在低维空间有效的算法在高维空间中失效。

对于 KNN 来说，维度灾难的影响尤为致命。

3.2 高维空间中欧氏距离失效的原因

在低维空间中（如二维平面），我们的直觉是每个点都有一些“近”的点和一些“远”的点，“最近邻”的概念是有意义的。但在高维空间中，情况完全不同。在高维空间中，所有点到查询点的距离几乎都相等。

我们可以用数学来理解这个现象。假设数据点均匀分布在一个 $D$ 维单位超立方体 $[0,1]^D$ 中。对于一个查询点（比如在原点），一个随机数据点到查询点的距离平方为：

d^2 = \sum_{j=1}^{D} x_j^2

由于 $x_j \sim \text{Uniform}(0,1)$ ， $E[x_j^2] = 1/3$ ， $D[x_j^2] = 4/45$ 。因此：

E[d^2] = \frac{D}{3}, \quad \text{Var}(d^2) = \frac{4D}{45}

距离的标准差与期望之比为：

\frac{\sqrt{\text{Var}(d^2)}}{E[d^2]} = \frac{\sqrt{4D/45}}{D/3} = \frac{3}{\sqrt{45}} \cdot \frac{1}{\sqrt{D}} \approx \frac{0.447}{\sqrt{D}}

关键结论：随着维度 $D$ 增大，距离的相对标准差趋于 0。这意味着在高维空间中，所有点到查询点的距离几乎都相等。当所有距离都差不多时，“最近邻”与“最远邻”的区分度消失了。KNN 赖以生存的“邻居”概念变得毫无意义。

3.3 维度灾难的实际影响

样本需求的指数级增长：为了在高维空间中保持同样的样本密度，所需的样本数量随维度指数增长。例如：如果在一维空间中需要 10 个样本才能覆盖一个区间，那么在 10 维空间中就需要 $10^{10}$ 个样本才能达到同样的密度。

搜索效率的崩溃：如前面所述，KD-Tree 在高维空间中效率急剧下降。即使使用 Ball-Tree，也只是“缓解”而非“解决”这个问题。

距离度量的选择：在高维特征空间中，使用曼哈顿距离（L1 范数） 比欧氏距离（L2 范数）更能抵抗维度灾难的影响。这是因为 L1 范数对各个维度的“贡献”是线性的，而 L2 范数是平方的，会进一步放大维度增加带来的效应。

代码实现：

1
import numpy as np
2
import matplotlib.pyplot as plt
3

4
def demonstrate_curse_of_dimensionality():
5
    """演示高维空间中距离分布的趋同现象"""
6
    np.random.seed(42)
7
    dimensions = [1, 2, 5, 10, 20, 50, 100]
8

9
    fig, axes = plt.subplots(2, 4, figsize=(16, 8))
10
    axes = axes.flatten()
11

12
    for idx, D in enumerate(dimensions):
13
        # 在 D 维单位超立方体中生成 1000 个点
14
        points = np.random.rand(1000, D)
15
        # 查询点在原点
16
        query = np.zeros(D)
17
        # 计算所有点到原点的距离
18
        distances = np.linalg.norm(points - query, axis=1)
19

20
        axes[idx].hist(distances, bins=30, alpha=0.7)
21
        axes[idx].set_title(f'D={D}')
22
        axes[idx].set_xlabel('Distance')
23
        axes[idx].set_ylabel('Frequency')
24
        # 标注均值和标准差
25
        mean_d = np.mean(distances)
26
        std_d = np.std(distances)
27
        axes[idx].axvline(mean_d, color='red', linestyle='--',
28
                          label=f'μ={mean_d:.2f}')
29
        axes[idx].axvline(mean_d - std_d, color='green', linestyle=':')
30
        axes[idx].axvline(mean_d + std_d, color='green', linestyle=':')
31
        axes[idx].legend()
32

33
    plt.suptitle('高维空间中距离分布的趋同现象（维度灾难）', fontsize=14)
34
    plt.tight_layout()
35
    plt.show()
36
    # 观察：随着维度增加，距离分布越来越集中（标准差相对于均值越来越小）
37

38
demonstrate_curse_of_dimensionality()

四、特征标准化：KNN 的必修课

4.1 KNN 需要特征标准化

KNN 是基于距离的算法。如果不同特征的量纲不同，那么取值范围大的特征会主导距离计算，而取值范围小的特征几乎不起作用。

例如，假设我们要预测房价，有两个特征 —— 房屋面积（50-500 平方米）和卧室数量（1-5 间）。如果直接用原始数据计算欧氏距离，面积特征（范围 450）的差异会完全淹没卧室数量（范围 4）的差异。一个面积相差 100 平方米的房子，和卧室数量相差 2 间的房子，在距离计算中前者会被视为“更远” —— 但这可能完全不符合实际。

4.2 标准化 vs 归一化

标准化（Standardization） ：

x' = \frac{x - \mu}{\sigma}

将数据转换为均值为 0、标准差为 1 的分布。

归一化（Normalization） ：

x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}}

将数据缩放到 [0, 1] 区间。

对于 KNN，标准化通常是更好的选择，因为：

标准化对异常值不那么敏感（归一化受最大最小值影响大）
标准化保留了数据的分布形状
当数据中存在异常值时，标准化的鲁棒性更好

4.3 不做标准化的后果

代码示例：

1
from sklearn.datasets import make_classification
2
from sklearn.model_selection import train_test_split
3
from sklearn.neighbors import KNeighborsClassifier
4
from sklearn.preprocessing import StandardScaler
5
from sklearn.metrics import accuracy_score
6

7
# 生成具有不同量纲特征的数据
8
np.random.seed(42)
9
X, y = make_classification(n_samples=500, n_features=2,
10
                            n_informative=2, n_redundant=0,
11
                            n_clusters_per_class=1, random_state=42)
12
# 人为制造量纲差异：第一个特征放大100倍
13
X[:, 0] = X[:, 0] * 100
14

15
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
16

17
# 不做标准化
18
knn_raw = KNeighborsClassifier(n_neighbors=5)
19
knn_raw.fit(X_train, y_train)
20
acc_raw = accuracy_score(y_test, knn_raw.predict(X_test))
21

22
# 做标准化
23
scaler = StandardScaler()
24
X_train_scaled = scaler.fit_transform(X_train)
25
X_test_scaled = scaler.transform(X_test)
26
knn_scaled = KNeighborsClassifier(n_neighbors=5)
27
knn_scaled.fit(X_train_scaled, y_train)
28
acc_scaled = accuracy_score(y_test, knn_scaled.predict(X_test_scaled))
29

30
print(f"未标准化准确率: {acc_raw:.4f}")
31
print(f"标准化后准确率: {acc_scaled:.4f}")
32
# 标准化后的准确率通常显著高于未标准化的版本

总结

概念核心内容
KNN 分类 投票法： $k$ 个邻居中多数类别作为预测
KNN 回归 平均法或加权平均法（权重为距离倒数）
KD-Tree 基于超矩形的空间划分，低维高效，高维退化
Ball-Tree 基于超球体的空间划分，高维表现优于 KD-Tree
维度灾难 高维空间中所有距离趋于相等，欧氏距离失效
特征标准化 将各特征缩放到同一量纲，对 KNN 是必须的
核心要点回顾

KNN 的本质：KNN 是最经典的“懒惰学习”算法，训练阶段只存储数据，预测阶段才进行计算。分类用投票，回归用平均（或加权平均）。

KD-Tree 与 Ball-Tree：两者都是通过空间划分来加速 KNN 搜索的数据结构。KD-Tree 用超矩形划分，在低维（D<20）时表现优异；Ball-Tree 用超球体划分，在高维和分布不均匀的数据上更有优势。

维度灾难的数学本质：在高维空间中，所有点到查询点的欧氏距离几乎相等。“最近邻”与“最远邻”失去区分度，KNN 的预测能力被严重削弱。要维持同样的预测精度，样本数量需要随维度指数增长。

特征标准化是必修课：KNN 基于距离，量纲不同的特征会扭曲距离计算。标准化（将每个特征转为均值为 0、标准差为 1）是使用 KNN 前的必要预处理步骤。

KNN 的适用场景：KNN 简单直观、无需训练、对异常值不敏感，适合低维、样本量适中的数据集。在高维场景下，建议先做降维（如 PCA）或考虑使用其他算法。

ZHY's Blog

K-Nearest Neighbor (KNN) —— K-近邻

引言

一、KNN 的核心机制：投票与回归

1.1 算法思想

1.2 分类任务：投票法

1.3 回归任务：平均法与加权平均法

1.4 距离度量

二、KD-Tree 与 Ball-Tree：加速 KNN 搜索

2.1 暴力法的困境

2.2 KD-Tree：基于超矩形的空间划分

2.3 Ball-Tree：基于超球体的空间划分

三、维度灾难：欧氏距离的失效

3.1 维度灾难

3.2 高维空间中欧氏距离失效的原因

3.3 维度灾难的实际影响

四、特征标准化：KNN 的必修课

4.1 KNN 需要特征标准化

4.2 标准化 vs 归一化

4.3 不做标准化的后果

学习路径

反馈与建议

ZHY's Blog

K-Nearest Neighbor (KNN) —— K-近邻

引言

一、KNN 的核心机制：投票与回归

1.1 算法思想

1.2 分类任务：投票法

1.3 回归任务：平均法与加权平均法

1.4 距离度量

二、KD-Tree 与 Ball-Tree：加速 KNN 搜索

2.1 暴力法的困境

2.2 KD-Tree：基于超矩形的空间划分

2.3 Ball-Tree：基于超球体的空间划分

三、维度灾难：欧氏距离的失效

3.1 维度灾难

3.2 高维空间中欧氏距离失效的原因

3.3 维度灾难的实际影响

四、特征标准化：KNN 的必修课

4.1 KNN 需要特征标准化

4.2 标准化 vs 归一化

4.3 不做标准化的后果

学习路径

反馈与建议

继续探索

Hidden Markov Model (HMM) —— 隐马尔可夫模型

Expectation-Maximization Algorithm —— EM算法

K-Means Clustering —— 聚类算法