高效的knn算法

Question

我正在尝试实现对 R 中的一维向量进行运算的 knn 算法，但它与标准算法略有不同，因为它在平局的情况下采用较小的元素（因此距离只是属性之间差异的绝对值）。更准确地说，我试图找到最接近给定数字的 k 个数字，如果有平局，我希望选择较小的数字。

听起来很简单，但我的算法需要几秒钟才能完成，而 class 包 (knn) 中的算法会立即输出答案（尽管在平局或随机元素的情况下它需要所有元素)...我的如下：

我抽取了一个训练样本，并对其进行了越来越多的排序。
我取一个元素（一个数字） 2.5.并搜索训练样本中第一个小于某个数字的地方。
我从训练样本中取2k+1个数字——k在2.5中找到的数字左边，k在右边（如果这样的数字少于k个，我会尽可能多地取） .
最后，我计算了所选元素与我在 2 中采用的元素的距离，并将它们与相应的元素一起递增排序（以便元素及其距离递增排序）
然后我从 4 中创建的列表中取出第 k 个元素。（这样没有两个元素的距离相同）

但是孩子，需要 6 或 7 秒才能完成...你有什么改进的想法吗？（这不是特定于 R 的问题，只是我在 R 中做的）。

编辑。代码：

dec <- function(u, x, k) {
## u is the training sample sorted increasingly
## x is an object for classification
## k is a knn parameter
knn <- list()
i <- 1
div <- 0
for (j in u) {
    if (x < j) {
        div <- 0
        break
}
    i <- i+1
}
if (div == 0) {
    distances <- array(0,dim=c(2,k))
    z <- 1
    for (j in 1:k) {
        distances[1,z] <- u[10000-j]
        distances[2,z] <- abs(u[10000-j]-x)
    }
} else {
    end1 <- div+k
    end2 <- div-k
    if (div<k) {
        distances <- array(0,dim=c(2,(div+k)))
        a <- 1
        for (j in u[1:end1]) {
            distances[1,a] <- j
            distances[2,a] <- abs(j-x)
            a <- a+1
        }
    } else if (10000-div<k) {
        distances <- array(0,dim=c(2,(1000-div+k)))
        a <- 1
        for (j in u[end2:10000]) {
            distances[1,a] <- j
            distances[2,a] <- abs(j-x)
            a <- a+1
        }
    } else {
        a <- 1
        distances <- array(0,dim=c(2,(2*k+1)))
        for (j in u[end1:end2]) {
            distances[1,a] <- j
            distances[2,a] <- abs(j-x)
            a <- a+1
        }
    }
    distances <- t(distances)
    distances <- distances[ order( distances[,2], distances[,1]), ]
    distances <- t(distances)
}
for (i in 1:k) {    
    if (i>1 && distances[1,i-1] != distances[1,i])
        knn[i] <- distances[1,i]
}
 ## and sth later...
}

Answer 1

一维中的 kNN 很简单。

对值进行递增排序。要执行查询，请通过二分法搜索在已排序的序列中定位值。然后通过步进到最接近的任一侧（更小或更大）k 次来找到 k 个最接近的值。

高效的knn算法

Efficient knn algorithm

algorithm

knn