机器学习 in action 分类器0 python代码解析

KNN （K最近邻接算法）python 语言下的简单实现

Machine Learning in Action 给出第一个小例子---最简单的分类器

 

只涉及最简单的向量知识，主要是python语言实现过程中有不理解的地方。

书中源代码如下

运行代码需要用到 numpy和 operator 模块，numpy一般要自行下载装载，用于代数操作。

 

dataSet.shape[0]得到的是训练集中向量（以向量中不同数据表示事物特征）的个数，如训练集为a（array类型）含有四个向量，（1,0）（1,1）（0,0）（0,2），则a.shape[0]=4。

在numpy中，设array（a）的维数为n，则其中一个向量为（X0,X1,X2,….Xn），a.shape[0]得到的是向量X0的维数，a.shape[n]得到向量Xn的维数。若维数为2，则shape[0],shape[1]分别得到array的行数和列数。

如：

>>> a=ones((2,3,4))

>>> a

array([[[ 1.,  1., 1.,  1.],

       [ 1.,  1.,  1., 1.],

       [ 1.,  1.,  1., 1.]],

 

      [[ 1.,  1.,  1., 1.],

       [ 1.,  1.,  1., 1.],

       [ 1.,  1.,  1., 1.]]])

>>> a.shape[0]

2

>>> a.shape[1]

3

>>> a.shape[2]

4

 

 

tile(inX, (dataSetSize,1)) 得到的是dataSetSize个的inX，使用到tile函数。tile函数将inX按后面括号中的要求复制，（dataSetSize，1）可以理解为复制dataSetSize行 1列。括号中可以推广至多维。

 

如：

>>> a

array([[1, 2],

      [3, 4]])

>>> tile(a,(2,1))

array([[1, 2],

      [3, 4],

      [1, 2],

      [3, 4]])

>>> tile(a,(2,1,1))

array([[[1, 2],

       [3, 4]],

 

      [[1, 2],

       [3, 4]]])

>>> tile(a,(2,3,4))

array([[[1, 2, 1, 2, 1, 2, 1, 2],

       [3, 4, 3, 4, 3, 4, 3, 4],

       [1, 2, 1, 2, 1, 2, 1, 2],

       [3, 4, 3, 4, 3, 4, 3, 4],

       [1, 2, 1, 2, 1, 2, 1, 2],

       [3, 4, 3, 4, 3, 4, 3, 4]],

 

      [[1, 2, 1, 2, 1, 2, 1, 2],

       [3, 4, 3, 4, 3, 4, 3, 4],

       [1, 2, 1, 2, 1, 2, 1, 2],

       [3, 4, 3, 4, 3, 4, 3, 4],

       [1, 2, 1, 2, 1, 2, 1, 2],

       [3, 4, 3, 4, 3, 4, 3, 4]]])

 

代码中使用diffMat=tile。。。计算了待分类样本与训练集的距离，相当于：

array1=([[x, x], [x, x], [x, x], [x, x]])

array2=([[1, 0], [1, 1], [0, 0], [0, 2]])

其中每个向量直接相减。

diffMat**2 得到相减后的平方。

再使用 sum（axis=1）得到一个array中第二维所有项的和的少一维的array，维数为2时，正好是把所有向量的项相加，得到只有行数的向量。axis=1 可以理解为 维数为1的项不考虑了，取消维数1，将相应的项相加。

如 （1,2），（3,4），（5,6），（7,8），有二维（需要两个坐标，即两项的向量确定一个值），向量（X0，X1）可以确定一个值，（2,1）可以确定3。axis=1求sum，此时维数是2，则（axis有0,1）对应（X0,X1），不考虑axis=1，则axis=0不变，将1+2,3+4，。。得到（3），（7），（11），（15）的array，完成求和。

代码中，则可以得到样本与训练集的距离了。

 

 

distances.argsort() 中的argsort（）函数，用于操作distances的array，可以将维数为1的distances里的元素从小到大排列，得到一个对应原来的元素的顺序的排列。

a为[100,400,999,44,68]，a.argsort()返回一个[3,4,0,1,2]的序列。

 

classCount 用于计算样本对于K个训练数据的分类情况，统计属于哪个分类。

建立空的“字典”classCount，接下来是K个循环。循环对每个距离结果分类，并统计各个分类的数量（通过+1实现）

首先，sortedDistIndices[i]是对应的argsort得到的大小序列，再通过labels[sortedDistIndices[i]]得到从小到大的数据对应的分类，将分类名给到voteIlabel。classCount[voteIlabel]=创建出“分类”对应的字典中的值。classCount.get(voteIlabel,0)作用是返回字典中的值，若voteIlabel已经存在，则取出voteIlabel对应的值（分类次数）加1。若voteIlabel不存在，则此次已经创建出了，并且对应值返回0（即括号逗号后的值）加1 。则循环k次后可以统计完毕。

 

最后一行长长的函数意思是将classCount中的值排序，最大的排在最前面，此时得到一个从大到小排列后的字典，‘Romance’：10，‘Action’：2，则[0][0]取出最前的字典条目中的左边的名称，即对应的分类类型。