数据分类:判断测试数据属于哪一类? (离散数据:特征值+目标值, 有监督学习)
# coding=utf-8
# k近邻算法
# 数据(目标值是离散的) 需要进行标准化,避免某一项特征对其他特征的影响 k值影响精度
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import pandas as pd
def knncls():
"""
K-近邻预测用户签到的位置
:return:
"""
print("*"*100)
# 读取数据
data = pd.read_csv("./data/FBlocation/train.csv")
# print(data.head(10))
# print(len(data))
# 处理数据
# 1.缩小数据(去掉无效数据) 查询数据
data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
# print(data.head(10))
# print(len(data))
time_value = pd.to_datetime(data['time'], unit='s')
# 把时间转换成天 小时 分钟 秒
# print(time_value.head(10))
time_value = pd.DatetimeIndex(time_value)
# print(time_value)
# 去掉时间,可以提高准确率到 %80 以上
# data['day'] = time_value.day
# data['weekday'] = time_value.weekday
# data['hour'] = time_value.hour
# data['minute'] = time_value.minute
# data['second'] = time_value.second
# print(len(data))
# 把时间戳特征删除
data = data.drop(['time'], axis=1)
# 把签到数量少于n个目标位置的删除
# 1.分组
# 去掉边缘数据,会提高准备率
place_count = data.groupby('place_id').count()
# 去除不满足条件的数据,并且让索引变成一列数据
tf = place_count[place_count.row_id > 3].reset_index()
# 重新匹配data中包含在tf中的数据,
data = data[data['place_id'].isin(tf.place_id)]
# print(tf)
# 1.取出数据中的特征值与目标值
# 目标值
y = data['place_id']
# 特征值
x = data.drop(['place_id'], axis=1)
x = data.drop(['row_id'], axis=1)
# 进行数据的分割集合测试机
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)
# 特征工程 标准化:放在同一数量级进行计算,互不影响有效性
sd = StandardScaler()
# 对测试集和训练集的特征值进行标准化
x_train = sd.fit_transform(x_train)
x_test = sd.fit_transform(x_test)
# 进行算法流程
# k值很小: 容易受异常点影响
# k值很大: 容易受数量(类别)波动影响
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(x_train, y_train)
# 获取预测结果
y_predict = knn.predict(x_test)
print("预测的目标签到位置为: ", y_predict)
# 获取准确率
print("预测的准确率: ", knn.score(x_test, y_test))
return None
if __name__ == "__main__":
knncls()
数据下载:https://www.kaggle.com/c/facebook-v-predicting-check-ins/data