机器学习实战是入手机器学习和python实战的比较好的书,可惜我现在才开始练习代码!先声明:本人菜鸟一枚,机器学习的理论知识刚看了一部分,python的知识也没学很多,所以写代码调试的过程很痛可!但是还是挨个找出了问题所在,蛮开心的!看了很多大牛分享的经验说,记住算法和模型的特点以及优缺点、适用场景是非常重要的,所以借着刚看完kNN的热度,赶紧把这些总结一下啦!
特点: (1)kNN算法是最简单最容易理解的机器学习算法,没有明显的训练过程。所做只是将数据存储起来,没
有训练时间,当需要对测试样本处理的时候才会计算的。
(2)我们通常看到的kNN算法处理的都是分类的问题,实际上kNN算法也可以做回归的问题。对于分类
问题,一般采用多数表决的方法进行预测,而对于回归问题, 则将k个最近邻的训练实例的平均值
作为预测值。
(3)kNN算法的三要素: k值选择、距离度量以及决策规则
1> k值选择较大或者较小都会产生不同的优点或者缺点,而且k值的选择会对结果产生重大
的影响。但是应用中,k值一般取一个较小的数值,并且通常采取交叉验证法来选取最优
的k值。
2>距离度量之前一定要做归一化处理。计算距离有很多种方法,而且不同的距离公式算出来
的最近k值是不同的。一般情况下,选择欧式距离作为距离度量。
3>分类决策规则通常选择多数表决法。
(4)当k=1时称为“最近邻分类器”,最近邻分类器虽然很简单,但是它的泛化错误率不超过贝叶斯最优
分类器的两倍。
机器学习实战中的代码及解析:(因为本人python水平太差,所以开始的时候好多代码只能看懂大概,但是细分析分析不出来结果。但是网上有大神写出来了http://lib.csdn.net/snippet/machinelearning/43106 我又做了点修改和补充,代码都是可以执行的 Ps:不知道为什么下载的源码包里面的代码净出现问题,所以小的地方也做了代码修改哦!)
#coding:utf-8
from numpy import *
from os import listdir # os是和操作系统联系密切的一个模块
import operator #运算符模块
#k-近邻算法
def classify0(inX,dataSet,labels,k):
dataSetSize=dataSet.shape[0] #shape是array的一个属性,返回矩阵array的各个维度大小,shape(0)是矩阵第一列的数据个数
#距离计算
diffMat=tile(inX,(dataSetSize,1))-dataSet # 求差(求出的结果也是一个矩阵),(tile函数表示将inX在x轴上重复dataSetSize次,y轴上重复1次,注意向量是
#横着的,每个行向量的里面元素的个数代表了维数)
sqDiffMat=diffMat**2 #求平方(结果还是矩阵)
sqDistances=sqDiffMat.sum(axis=1) #对平方求和(求出的结果是一个列向量),sum函数,axis=1,表示将[]里面数相加(行相加),axis=0表示(列相加),
#axis=None(行列相加)
distances=sqDistances**0.5 #对平方和开方(结果还是列向量),此处算完之后就是距离
#排序
sortedDistIndicies=distances.argsort() #返回distances排序的索引,用于下面查找标签
classCount={} #定义元字典
#选择距离最小的k个点
for i in range(k): # 遍历前k个元素
voteIlabel=labels[sortedDistIndicies[i]] #获得前k个元素的标签
classCount[voteIlabel]=classCount.get(voteIlabel,0)+1 #统计标签个数
#排序
sortedClassCount=sorted(classCount.iteritems(), key=operator.itemgetter(1),reverse=True) # 对标签字典根据对应个数进行降序排序
return sortedClassCount[0][0] #返回个数最多的标签和对应个数
#小试牛刀的小代码
def createDataSet():
group=array([[1.0,1.0],[1.0,1.0],[0,0],[0,0.1]])
labels=['A','A','B','B']
return group,labels
#将文本记录转换为Numpy的解析程序
def file2matrix(filename):
fr=open(filename) #打开文件
arrayOLines=fr.readlines() #获取文件所有行
numberOfLines=len(arrayOLines) #得到文件行数
returnMat=zeros((numberOfLines,3)) #先用零元素创建需要返回的numpy矩阵,(行数,列数)
classLabelVector=[] # 创建空的标签列表
index=0
for line in arrayOLines:
line=line.strip() #截取掉尾部的回车字符
listFromLine=line.split('\t') #用‘\t’作为分隔符将整行元素分割成元素列表,将一行数据按空进行分割,
returnMat[index,:]=listFromLine[0:3] #选取列表前三个元素到=矩阵中
classLabelVector.append(listFromLine[-1]) #将列表的最后一列存储到向量中
index += 1
return returnMat,classLabelVector #返回数据集矩阵和对应的标签向量
#下面的是用命令行运行的代码
# import matplotlib
# import matplotlib.pyplot as plt
# fig=plt.figure()
# ax=fig.add_subplot(111)
# ax.scatter(datingDataMat[:,1],datingDataMat[:,2])
# 上句替换为:ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels))
# plt.show()
#归一化特征值
def autoNorm(dataSet):
minVals = dataSet.min(0) #找到数据集中的最小值(实际上应该是样本数据中的一列中的最小值,参数0就代表这个,下同),这样说的话minVals和maxVals都应该
#是一个行向量(1*n)
maxVals = dataSet.max(0) #找到数据集中的最大值
ranges = maxVals - minVals #得到数据的范围差值
normDataSet = zeros(shape(dataSet)) # 定义空的要返回的归一化后的矩阵,该矩阵和传入的数据集是一样的大小
m = dataSet.shape[0] #得到矩阵第一行的数据个数,也就是维数
normDataSet = dataSet - tile(minVals, (m,1)) #数据集与最小值相减(title()函数将按照括号中的参数制作对应大小的矩阵,用给定的minVals内容来填充
normDataSet = normDataSet/tile(ranges, (m,1)) #除以范围值之后就是归一化的值了。(注意是矩阵除法)
return normDataSet, ranges, minVals
#分类器针对约会网站的测试代码
def datingClassTest():
hoRatio = 0.10 #测试所占的比例
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt') #将文件中的数据转换为矩阵形式和提取出标签矩阵
normMat, ranges, minVals = autoNorm(datingDataMat) #对提取出的矩阵数据归一化处理
m = normMat.shape[0] #获得数据总的条数
numTestVecs = int(m*hoRatio) #得出作为测试的数据个数
errorCount = 0.0 #初始化错误个数为0
for i in range(numTestVecs): #对测试的数据进行遍历
classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3) # 对数据进行分类
print "the classifier came back with: %s, the real answer is: %s" % (classifierResult, datingLabels[i]) #输出分类结果和实际的类别(之前的代码
#有问题啊,要将%d,改为%s)
if (int(classifierResult) != int(datingLabels[i])): errorCount += 1.0 # 如果分类结果与实际结果不一致 ,错误数加1
print "the total error rate is: %f" % (errorCount/float(numTestVecs)) # 输出错误率
print errorCount #输出错误总数
#约会网站预测函数
def classiyPerson():
resultList = ['not at all','in small doses','in large doses'] # 定义分类结果的类别
percentTats = float(raw_input("percentage of time spent playing video games?")) # 读取输入数据
ffMiles = float(raw_input("frequent flier miles earned per year?")) # 读取输入数据
iceCream = float(raw_input("liters of ice cream consumed per year?")) # 读取输入数据
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt') # 从文件中读取已有数据
normMat,ranges,minVals = autoNorm(datingDataMat) # 对数据进行归一化
inArr =array([ffMiles,percentTats,iceCream]) # 将单个输入数据定义成一条数据
classifierResult = classify0(inArr,datingDataMat,datingLabels,3) # 对输入数据进行分类
print 'You will probably like this person: %s' % (resultList[int(classifierResult) - 1]) # 输出预测的分类类别
# 将单个手写字符文件变成向量
def img2vector(filename):
returnVect = zeros((1,1024)) #创建要返回的1*1024的矩阵并初始化为0
fr = open(filename) # 打开文件
for i in range(32): #从0到31行遍历
lineStr = fr.readline() #读取一行(自动成为一个列表)
for j in range(32): #从0到31列
returnVect[0,32*i+j] = int(lineStr[j]) #将一行中的每个元素复制到要返回的矩阵中
return returnVect #返回该1*1024的矩阵
# 手写字符识别测试
def handwritingClassTest():
hwLabels = [] # 定义手写字符标签(类别)
trainingFileList = listdir('trainingDigits') # 列出目录下所有的文件
m = len(trainingFileList) # 计算训练文件的数目
trainingMat = zeros((m,1024)) # 定义手写字符数据矩阵
for i in range(m): # 依次读取每个文件
fileNameStr = trainingFileList[i] # 依次获得文件名
fileStr = fileNameStr.split('.')[0] # 对文件名进行分割
classNumStr = int(fileStr.split('_')[0]) # 获得文件名中的类标签
hwLabels.append(classNumStr) # 把类标签放到hwLabels中
trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr) # 把文件变成向量并赋值到trainingMat这个矩阵中
testFileList = listdir('testDigits') # 列出测试目录下的所有文件
errorCount = 0.0 # 定义错误数
mTest = len(testFileList) # 获得测试文件数目
for i in range(mTest): # 遍历测试文件
fileNameStr = testFileList[i] # 定义测试文件名
fileStr = fileNameStr.split('.')[0] # 对测试文件名进行分割
classNumStr = int(fileStr.split('_')[0]) # 获得测试文件的类标签
vectorUnderTest = img2vector('testDigits/%s' % fileNameStr) # 将测试文件转换成向量
classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) # 进行分类
print "the classifier came back with: %d, the real answer is: %d" % (int(classifierResult), int(classNumStr)) # 输出预测类别和实际类别
if (int(classifierResult) != int(classNumStr)): errorCount += 1.0 # 如果二者不一致,累加错误数量
print "\nthe total number of errors is: %d" % errorCount # 输出分类错误的数目
print "\nthe total error rate is: %f" % (errorCount/float(mTest)) # 输出分类的错误率
还有一部分的解析是关于不熟悉的python模块函数的,我单独做了整理。之后有时间再传上来吧!