K-means实战(一)

K-means算法阐述

k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是：存在一个样本数据集合，也称作为训练样本集，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，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。一般来说，我们只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，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

K-means实战

这是一个判断电影类型的表

通过上表，可以判断出来(101,20)应该属于武打片，可如果让电脑来识别，应该怎么算呢？

上图公式便是电脑用来识别电影到底是动作片还是爱情片。

代码

import numpy as np
import operator
"""
函数说明：创建数据集
Returns：
    group -数据集
    labels -分类标签
"""
def dataCreat():
    #四组二维空间
    group = np.array([[1,101],[5,89],[108,5],[115,8]])
    #四组特征的标签
    labels = ['爱情片','爱情片','动作片','动作片']
    return group,labels
if __name__ == '__main__':
    #创建数据集
    group,labels = dataCreat()
    #打印数据集
    print(group)
    print(labels)
"""
函数说明：knn算法，分类器
Parameters:
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果
"""
def classif(inX,dataSet,labels,k):
    #numpy库中的shape返回dataSet的行数
    dataSetSize = dataSet.shape[0]
    # dataSetSize == 4
    #在列向量方向上重复inX共1次(横向)，行向量方向上重复inX共dataSetSize次(纵向)
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet#np.tile()这个函数是复制函数，y复制dataSetSize次，x不变
    #相当于[101,20]-[1,101]=[100,-81],其他一样

    #二维特征相减后平方
    sqdiffMat = diffMat ** 2
    #[10000,  6561],
    #[ 9216,  4761],
    #[   49,   225],
    #[  196,   144]]
    #sum()所有元素相加，sum(0)列相加，sum(1)行相加
    sqDistances = sqdiffMat.sum(axis=1)
    #[16561, 13977,   274,   340]
    # 开方，计算出距离
    distances = sqDistances ** 0.5
    #[128.68954892, 118.22436297,  16.55294536,  18.43908891]
    # 返回distances中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    #[16.55294536,18.43908891,118.22436297,128.68954892]
    # 定一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        # 取出前k个元素的类别
        voteIlabel = labels[sortedDistIndices[i]]
        # dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
        # 计算类别次数
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    # python3中用items()替换python2中的iteritems()
    # key=operator.itemgetter(1)根据字典的值进行排序
    # key=operator.itemgetter(0)根据字典的键进行排序
    # reverse降序排序字典


    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    #返回次数最多的类别,即所要分类的类别
    return sortedClassCount[0][0]

if __name__ == '__main__':
    # 创建数据集
    group, labels = dataCreat()
    # 测试集
    test = [101, 20]
    # kNN分类
    test_class = classif(test, group, labels, 3)
    # 打印分类结果
    print(test_class)

其中有一步十分难理解，我给大家用手写了出来计算过程

diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet

大概过程就是这样，原谅我字丑，hhhh。

补充

numpy库里面有一个函数是tile()，这个函数的作用是复制数组
1.

group = np.array([[1,101],[5,89],[108,5],[115,8]])
new = np.tile(group,2)
new

这样是按行复制
2.

group = np.array([[1,101],[5,89],[108,5],[115,8]])
new = np.tile(group,(3,2))
new

这样是行复制2，列复制3

总结

这次的例子是二维的，接下来的例子会到多维的来判断

后续请等待接下来的更新。