机器学习入门--kNN算法

新的学习征程

之前的blog主要是关于Android和Nodejs的一些开发学习笔记，在经历了一段时间的学习和实习之后，也拿到了几个大厂offer，痛定思痛下决心在大四参加考研，现在考研成功，也要继续开始新的学习了，接下来的学习将主要以Machine Learning为主，由于很多主流的书籍论文都是英文，希望也能锻炼着以后用英文来写一些学习记录blog。我个人之前是没有过任何机器学习相关的学习经验的，现在也是from 0 to n.

项目源代码

这一个系列打算都放在这个project里面，语言是Python，即时更新，希望能点个star

https://github.com/CallMeSp/MachineLearning

正文

机器学习开发大体遵循一定的步骤

• 收集数据
• 准备输入数据
• 分析输入数据
• 训练算法（无监督学习则不需要）
• 测试算法
• 使用算法

机器学习界有个所谓的“十大算法”或者“二十大算法”
今天带来的就是最简单的一个：k-近邻算法

工作原理很简单：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似的分类标签。一般来说只是选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，简称kNN

kNN优劣：

优势	劣势
精度高、对异常值不敏感	计算复杂度高
无数据输入假定	空间复杂度高

算法：

def classify0(inX,dataSet,labels,k):
    dataSetSize=dataSet.shape[0]
    #[0]和[1]分别是行数和列数
    diffMat = tile(inX,(dataSetSize,1))-dataSet
    sqDiffMat=diffMat**2
    sqDistances=sqDiffMat.sum(axis=1)
    #axis=0指同一行相加
    distances=sqDistances**0.5
    sortedDistIndicies=distances.argsort()
    #递增排列的原数组下标组成的新数组
    classcount={}
    for i in range(k):
        #选择距离最小的k个点
        vl=labels[sortedDistIndicies[i]]
        classcount[vl]=classcount.get(vl,0)+1
    sortedclasscount = sorted(classcount.iteritems(),key=operator.itemgetter(1),reverse=True)
    #距离最小的k个点中哪个类别占得比重多
    return sortedclasscount[0][0]

归一化特征值

这种处理是防止同等权重的特征因为范围差距大，而导致某个特征严重的影响到计算结果，所以进行一下处理，将所有的特征值全都转化到0～ 1之间，从而保证权重相同,下面看一下代码吧。

def autoNorm(dataSet):
    minvals=dataSet.min(0)
    maxvals=dataSet.max(0)
    ranges=maxvals-minvals
    normDataSet=zeros(shape(dataSet))
    m=dataSet.shape[0]
    normDataSet=dataSet-tile(minvals,(m,1))
    normDataSet=normDataSet/tile(ranges,(m,1))
    return normDataSet,ranges,minvals

示例demo

环境：linux+Python2.7
测试用例：在gihub链接中有
本demo参考《Machine Learning in Action》

from numpy import *
import operator
import matplotlib
import matplotlib.pyplot as plt
from os import listdir

#分类，inX是待分类向量，dataSet是已有表现的一组数据，labels就是该标签元组，k是kNN中对应的k，
def classify0(inX,dataSet,labels,k):
    dataSetSize=dataSet.shape[0]
    diffMat = tile(inX,(dataSetSize,1))-dataSet
    sqDiffMat=diffMat**2
    sqDistances=sqDiffMat.sum(axis=1)
    distances=sqDistances**0.5
    sortedDistIndicies=distances.argsort()
    classcount={}
    for i in range(k):
        vl=labels[sortedDistIndicies[i]]
        classcount[vl]=classcount.get(vl,0)+1
    sortedclasscount = sorted(classcount.iteritems(),key=operator.itemgetter(1),reverse=True)
    return sortedclasscount[0][0]

#将文本文件转化为元组，这里为了更加直观，测试用例都通过txt形式来展现。
def file2Matrix(filename):
    fr=open(filename)
    arraylines=fr.readlines()
    numberOfLines=len(arraylines)
    returnMat=zeros((numberOfLines,3))
    classLabelVector=[]
    index=0
    for line in arraylines:
        line=line.strip()
        listFromLine=line.split('\t')
        returnMat[index,:]=listFromLine[0:3]
        classLabelVector.append(listFromLine[-1])
        index+=1
    return returnMat,classLabelVector

#通过matplotlib绘图
def draw():
    datas, labels = file2Matrix('datingTestSet2.txt')
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(datas[:, 1], datas[:, 2], 15.0 * array(map(int,labels)), 15.0 * array(map(int,labels)))
    plt.show()

#归一化
def autoNorm(dataSet):
    minvals=dataSet.min(0)
    maxvals=dataSet.max(0)
    ranges=maxvals-minvals
    normDataSet=zeros(shape(dataSet))
    m=dataSet.shape[0]
    normDataSet=dataSet-tile(minvals,(m,1))
    normDataSet=normDataSet/tile(ranges,(m,1))
    return normDataSet,ranges,minvals

#将demo中的示例归一化操作
def normalization():
    dataSet,labels=file2Matrix('datingTestSet2.txt')
    normMat,ranges,minvals=autoNorm(dataSet)
    print normMat
    print ranges
    print minvals

#自动分类测试，打印错误率
def datingClassTest():
    #前10%是用于测试正确率，后90%用于训练分类器
    hoRatio=0.10
    dataSet,labels=file2Matrix('datingTestSet.txt')
    normMat,ranges,minvals=autoNorm(dataSet)
    m=normMat.shape[0]
    numTestVecs=int(m*hoRatio)
    errorCount=0.0
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],labels[numTestVecs:m],3)
        print "the classifier came back with  : %s,the real answer is : %s"%(classifierResult,labels[i])
        if(classifierResult != labels[i]):
                errorCount+=1
    print "errorCount = %d"%(errorCount)
    print "the total error rate is %f"%(errorCount/float(numTestVecs))

#将32*32文本信息转化为1*1024
def img2Vector(filename):
    returnVect=zeros((1,1024))
    fr=open(filename)
    for i in range(32):
        lineStr=fr.readline()
        for j in range(32):
            returnVect[0,32*i+j]=int(lineStr[j])
    return returnVect

#手写识别分类器
def handwritingClassTest():
    hwLabels=[]
    trainingFileList=listdir('trainingDigits')
    m=len(trainingFileList)
    trainingMat=zeros((m,1024))
    for i in range(m):
        fileNameStr=trainingFileList[i]
        fileStr=fileNameStr.split('.')[0]
        classNumStr=int (fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainingMat[i,:]=img2Vector('trainingDigits/%s'%fileNameStr)

    testFileList=listdir('testDigits')
    errorCount=0.0
    mTest=len(testFileList)
    for i in range(mTest):
        fileNameStr=testFileList[i]
        fileStr=fileNameStr.split('.')[0]
        classNumStr=int (fileStr.split('_')[0])
        vectorUnderTest = img2Vector('testDigits/%s'%fileNameStr)
        classifierResult=classify0(vectorUnderTest,trainingMat,hwLabels,3)
        print "the classifier came back with : %d,the real answer is : %d"%(classifierResult,classNumStr)
        if(classifierResult!=classNumStr):errorCount+=1.0
    print "\nthe total number of errors is : %d"%errorCount
    print "\nthe total error rate is : %f "%(errorCount/float(mTest))

实战

接下来打算写个python爬虫，获取到测试用例，然后通过kNN算法来进行一些测试。

to be continued