K-Nearest Neighbor Algorithm

1 KNN算法

1.1 KNN算法简介

　　KNN（K-Nearest Neighbor）工作原理：存在一个样本数据集合，也称为训练样本集，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数据与所属分类对应的关系。输入没有标签的数据后，将新数据中的每个特征与样本集中数据对应的特征进行比较，提取出样本集中特征最相似数据（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。

　　说明：KNN没有显示的训练过程，它是“懒惰学习”的代表，它在训练阶段只是把数据保存下来，训练时间开销为0，等收到测试样本后进行处理。

　　举例：以电影分类作为例子，电影题材可分为爱情片，动作片等，那么爱情片有哪些特征？动作片有哪些特征呢？也就是说给定一部电影，怎么进行分类？这里假定将电影分为爱情片和动作片两类，如果一部电影中接吻镜头很多，打斗镜头较少，显然是属于爱情片，反之为动作片。有人曾根据电影中打斗动作和接吻动作数量进行评估，数据如下：

电影名称	打斗镜头	接吻镜头	电影类别
Califoria Man	3	104	爱情片
Beautigul Woman	1	81	爱情片
Kevin Longblade	101	10	动作片
Amped II	98	2	动作片

　　给定一部电影数据（18，90）打斗镜头18个，接吻镜头90个，如何知道它是什么类型的呢？KNN是这样做的，首先计算未知电影与样本集中其他电影的距离（这里使用曼哈顿距离），数据如下：

电影名称	与未知分类电影的距离
Califoria Man	20.5
Beautigul Woman	19.2
Kevin Longblade	115.3
Amped II	118.9

　　现在我们按照距离的递增顺序排序，可以找到k个距离最近的电影，加入k=3,那么来看排序的前3个电影的类别，爱情片，爱情片，动作片，下面来进行投票，这部未知的电影爱情片2票，动作片1票，那么我们就认为这部电影属于爱情片。

　

1.2 KNN算法优缺点

　　优点：精度高，对异常值不敏感、无数据输入假定

　　缺点：计算复杂度高、空间复杂度高

1.3 KNN算法python代码实现

　　实现步骤：

　　　　（1）计算距离

　　　　（2）选择距离最小的k个点

　　　　（3）排序

　　Python 3代码：

import numpy as np
import operator

def classify(intX,dataSet,labels,k):
    '''
    KNN算法
    '''
    #numpy中shape[0]返回数组的行数，shape[1]返回列数
    dataSetSize = dataSet.shape[0]
    #将intX在横向重复dataSetSize次，纵向重复1次
    #例如intX=([1,2])--->([[1,2],[1,2],[1,2],[1,2]])便于后面计算
    diffMat = np.tile(intX,(dataSetSize,1))-dataSet
    #二维特征相减后乘方
    sqdifMax = diffMat**2
    #计算距离
    seqDistances = sqdifMax.sum(axis=1)
    distances = seqDistances**0.5
    print ("distances:",distances)
    #返回distance中元素从小到大排序后的索引
    sortDistance = distances.argsort()
    print ("sortDistance:",sortDistance)
    classCount = {}
    for i in range(k):
        #取出前k个元素的类别
        voteLabel = labels[sortDistance[i]]
        print ("第%d个voteLabel=%s",i,voteLabel)
        classCount[voteLabel] = classCount.get(voteLabel,0)+1
    #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

    #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)
    #结果sortedClassCount = [('动作片', 2), ('爱情片', 1)]
    print ("sortedClassCount:",sortedClassCount)
    return sortedClassCount[0][0]

 

2 KNN算法实例

2.1 KNN实现电影分类

　　

import numpy as np
import operator

def createDataset():
    #四组二维特征
    group = np.array([[5,115],[7,106],[56,11],[66,9]])
    #四组对应标签
    labels = ('动作片','动作片','爱情片','爱情片')
    return group,labels

def classify(intX,dataSet,labels,k):
    '''
    KNN算法
    '''
    #numpy中shape[0]返回数组的行数，shape[1]返回列数
    dataSetSize = dataSet.shape[0]
    #将intX在横向重复dataSetSize次，纵向重复1次
    #例如intX=([1,2])--->([[1,2],[1,2],[1,2],[1,2]])便于后面计算
    diffMat = np.tile(intX,(dataSetSize,1))-dataSet
    #二维特征相减后乘方
    sqdifMax = diffMat**2
    #计算距离
    seqDistances = sqdifMax.sum(axis=1)
    distances = seqDistances**0.5
    print ("distances:",distances)
    #返回distance中元素从小到大排序后的索引
    sortDistance = distances.argsort()
    print ("sortDistance:",sortDistance)
    classCount = {}
    for i in range(k):
        #取出前k个元素的类别
        voteLabel = labels[sortDistance[i]]
        print ("第%d个voteLabel=%s",i,voteLabel)
        classCount[voteLabel] = classCount.get(voteLabel,0)+1
    #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

    #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)
    #结果sortedClassCount = [('动作片', 2), ('爱情片', 1)]
    print ("sortedClassCount:",sortedClassCount)
    return sortedClassCount[0][0]



if __name__ == '__main__':
    group,labels = createDataset()
    test = [20,101]
    test_class = classify(test,group,labels,3)
    print (test_class)

 

2.2 改进约会网站匹配

　　这个例子简单说就是通过KNN找到你喜欢的人，首先数据样本包含三个特征，（a）每年获得的飞行常客里程数（b）玩游戏消耗的时间（c）每周消耗的冰激淋公升数，样本数据放在txt中，如下，前三列为三个特征值，最后一列为标签

首先读取数据，获取数据集和标签

def file2matrix(filename):
    fr = open(filename)
    arraylines = fr.readlines()
    #获取行数
    numberoflines = len(arraylines)
    #返回numpy的数据矩阵,目前矩阵数据为0
    returnMat = np.zeros([numberoflines,3])
    #返回的分类标签
    classLabelVector = []
    #行的索引
    index = 0
    for line in arraylines:
        #str.strip(rm) 删除str头和尾指定的字符 rm为空时，默认删除空白符(包括'\n','\r','\t',' ')
        line = line.strip()
        #每行数据是\t划分的，将每行数据按照\t进行切片划分
        listFromLine = line.split('\t')
        #取出前三列数据存放到returnMat
        returnMat[index,:] = listFromLine[0:3]
        #根据文本中标记的喜欢程度进行分类
        if listFromLine[-1] == "didntLike":
            classLabelVector.append(1)
        elif listFromLine[-1] == "smallDoses":
            classLabelVector.append(2)
        else:
            classLabelVector.append(3)
        index += 1
    return returnMat,classLabelVector

数据和标签我们可以打印一下：

下面用Matplotlib作图看一下数据信息：

from matplotlib.font_manager import FontProperties
import numpy as np
import matplotlib.pyplot as plt
from prepareData_1 import file2matrix
import matplotlib.lines as mlines
# from matplotlib.font_manage import FontProperties
'''
函数说明：数据可视化
Parameters:
    datingDataMat - 特征矩阵
    datingLabels - 分类标签向量
Returns:
    无
'''
def showDatas(datingDataMat,datingLabels):
    #设置汉子格式
    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
    #函数返回一个figure图像和一个子图ax的array列表。
    fig,axs = plt.subplots(nrows=2,ncols=2,sharex=False,sharey=False,figsize=(13,8))

    numberofLabels = len(datingLabels)
    LabelColors = []
    for i in datingLabels:
        if i==1:
            LabelColors.append('black')
        if i ==2:
            LabelColors.append('orange')
        if i==3:
            LabelColors.append("red")
    #画散点图，以数据矩阵的第一列（飞行常客历程）、第二列（玩游戏）数据话散点图
    #散点大小为15 透明度为0.5
    axs[0][0].scatter(x=datingDataMat[:,0],y=datingDataMat[:,1],color=LabelColors,
        s=15,alpha=0.5)
    axs0_title_text=axs[0][0].set_title(u"每年获得的飞行里程数与玩视频游戏消耗时间占比",
        FontProperties=font)
    axs0_xlabel_text=axs[0][0].set_xlabel("每年获得的飞行常客里程数",FontProperties=font)
    axs0_ylabel_text=axs[0][0].set_ylabel("玩游戏消耗的时间",FontProperties=font)
    plt.setp(axs0_title_text,size=9,weight='bold',color='red')
    #画散点图，以数据矩阵的第一列（飞行常客历程）、第三列（冰激淋公斤数）数据话散点图
    #散点大小为15 透明度为0.5
    axs[0][1].scatter(x=datingDataMat[:,0],y=datingDataMat[:,2],color=LabelColors,
        s=15,alpha=0.5)
    axs0_title_text=axs[0][0].set_title("每年获得的飞行里程数与冰激淋公斤数占比",
        FontProperties=font)
    axs0_xlabel_text=axs[0][0].set_xlabel("每年获得的飞行常客里程数",FontProperties=font)
    axs0_ylabel_text=axs[0][0].set_ylabel("所吃冰激淋公斤数",FontProperties=font)
    plt.setp(axs0_title_text,size=9,weight='bold',color='red')
    #画散点图，以数据矩阵的第二列（玩游戏）、第三列（冰激淋公斤数）数据话散点图
    #散点大小为15 透明度为0.5
    axs[1][0].scatter(x=datingDataMat[:,1],y=datingDataMat[:,2],color=LabelColors,
        s=15,alpha=0.5)
    axs0_title_text=axs[0][0].set_title("玩游戏时间与冰激淋公斤数占比",
        FontProperties=font)
    axs0_xlabel_text=axs[0][0].set_xlabel("每年获得的飞行常客里程数",FontProperties=font)
    axs0_ylabel_text=axs[0][0].set_ylabel("所吃冰激淋公斤数",FontProperties=font)
    plt.setp(axs0_title_text,size=9,weight='bold',color='red')

    #设置图例
    didntLike = mlines.Line2D([],[],color='black',marker='.',markersize=6,label='didntlike')
    smallDose = mlines.Line2D([],[],color='orange',marker='.',markersize=6,label='smallDose')
    largeDose = mlines.Line2D([],[],color='red',marker='.',markersize=6,label='largeDose')

    #添加图例
    axs[0][0].legend(handles=[didntLike,smallDose,largeDose])
    axs[0][1].legend(handles=[didntLike,smallDose,largeDose])
    axs[1][0].legend(handles=[didntLike,smallDose,largeDose])

    plt.show()

if __name__ == '__main__':
    filename = "datingTestSet.txt"
    returnMat,classLabelVector = file2matrix(filename)
    showDatas(returnMat,classLabelVector)

这里我把py文件分开写了，还要注意txt数据的路径，高大上的图：

 

 

样本数据中的到底喜欢什么样子的人？自己去分析一下吧。下面要对数据进行归一化，归一化的原因就不多说了，

from prepareData_1 import file2matrix
import numpy as np
'''
函数说明：数据归一化
Parameters:
    dataSet - 特征矩阵
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值
'''

def autoNorm(dataSet):
    #获得数据的最大最小值
    print (dataSet)
    print ("**********************")
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    print ("minValues:",minVals)
    print ("maxValuse:",maxVals)
    #计算最大最小值的差
    ranges = maxVals - minVals
    print ()
    #shape(dataSet)返回dataSet的矩阵行列数
    normDataSet=np.zeros(np.shape(dataSet))
    #返回dataSet的行数
    m = dataSet.shape[0]
    #原始值减去最小值
    normDataSet=dataSet-np.tile(minVals,(m,1))
    #除以最大值和最小值的差，得到的归一化的数据
    normDataSet = normDataSet/np.tile(ranges,(m,1))
    return normDataSet,ranges,minVals

归一化后的数据如下：

有了以上步骤，下面就可以构建完整的约会分类，去找你喜欢的人了：

from prepareData_1 import file2matrix
from dataNormal_3 import autoNorm
import operator
import numpy as np
'''
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 classify0(inX,dataset,labes,k):
    dataSetSize = dataset.shape[0]  #返回行数
    diffMat = np.tile(inX,(dataSetSize,1))-dataset
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndices  =distances.argsort()
    classCount = {}
    for i in range(k):
        voteLabel = labes[sortedDistIndices[i]]
        classCount[voteLabel] = classCount.get(voteLabel,0)+1
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]
def datingClassTest():
    #filename="test.txt"
    filename = "datingTestSet.txt"
    datingDataMat,datingLabels = file2matrix(filename)
    #取所有数据的10%
    hoRatio = 0.1
    #数据归一化，返回归一化后的矩阵，数据范围，数据最小值
    normMat,ranges,minVals = autoNorm(datingDataMat)
    #获得nornMat的行数
    m = normMat.shape[0]
    #百分之十的测试数据的个数
    numTestVecs = int(m*hoRatio)
    #分类错误计数
    errorCount = 0.0

    for i in range(numTestVecs):
        #前numTestVecs个数据作为测试集，后m-numTestVecs个数据作为训练集
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],
            datingLabels[numTestVecs:m],10)
        print ("分类结果：%d \t真实类别：%d"%(classifierResult,datingLabels[i]))
        if classifierResult != datingLabels[i]:
            errorCount += 1.0
    print ("错误率：%f"%(errorCount/float(numTestVecs)*100))

if __name__ == '__main__':
    datingClassTest()

都是上面的步骤，这里就不解释了，结果如下所示：

2.3 手写数字识别

　　数据可以样例可以打开文本文件进行查看，其中txt文件名的第一个数字为本txt中的数字，目录trainingDigits中包含了大约2000个例子，每个数字大约有200个样本，testDigits中包含900个测试数据，我们使用trainingDigits中的数据训练分类器，testDigits中的数据作为测试，两组数据没有重合。

数据在这里：https://github.com/Jenny0611/Ml_Learning01

首先我们要将图像数据处理为一个向量，将32*32的二进制图像信息转化为1*1024的向量，再使用前面的分类器，代码如下：

 

import numpy as np
import operator
from os import listdir
from sklearn.neighbors import KNeighborsClassifier as kNN

'''
函数说明：将32*32的二进制图片转换为1*1024向量
Parameters:
    filename - 文件名
Returns:
    returnVect - 返回的二进制图像的1*1024向量
'''
def img2vector(filename):
    #创建1*1024的0向量
    returnVect = np.zeros((1,1024))
    fr = open(filename)
    #按行读取
    for i in range(32):
        #读一行数据
        lineStr=fr.readline()
        #每一行的前32个数据依次添加到returnVect
        for j in range(32):
            returnVect[0,32*i+j]=int(lineStr[j])
    return returnVect

'''
函数说明：手写数字分类测试
Parameters:
    filename - 无
Returns:
    returnVect - 无
'''
def handwritingClassTest():
    #测试集的labels
    hwLabels=[]
    #返回trainingDigits目录下的文件名
    trainingFileList=listdir('trainingDigits')
    #返回文件夹下文件的个数
    m=len(trainingFileList)
    #初始化训练的Mat矩阵的测试集
    trainingMat=np.zeros((m,1024))
    #从文件名中解析出训练集的类别
    for i in range(m):
        fileNameStr=trainingFileList[i]
        classNumber = int(fileNameStr.split('_')[0])
        #将获取的类别添加到hwLabels中
        hwLabels.append(classNumber)
        #将每一个文件的1*1024数据存储到trainingMat矩阵中
        trainingMat[i,:]=img2vector('trainingDigits/%s'%(fileNameStr))
    #构建KNN分类器
    neigh = kNN(n_neighbors=3,algorithm='auto')
    #拟合模型，trainingMat为测试矩阵,hwLabels为对应的标签
    neigh.fit(trainingMat,hwLabels)
    #返回testDigits目录下的文件列表
    testFileList=listdir('testDigits')
    errorCount=0.0
    mTest=len(testFileList)
    #从文件中解析出测试集的类别并进行分类测试
    for i in range(mTest):
        fileNameStr=testFileList[i]
        classNumber=int(fileNameStr.split('_')[0])
        #获得测试集的1*1024向量用于训练
        vectorUnderTest=img2vector('testDigits/%s'%(fileNameStr))
        #获得预测结果
        classifierResult=neigh.predict(vectorUnderTest)
        print ("分类返回结果%d\t真实结果%d"%(classifierResult,classNumber))
        if (classNumber != classifierResult):
            errorCount += 1.0
    print ("总共错了%d个\t错误率为%f%%"%(errorCount,errorCount/mTest*100))

if __name__ == '__main__':
    handwritingClassTest()

 

2.4 小结

　　KNN是简单有效的分类数据算法，在使用时必须有训练样本数据，还要计算距离，如果数据量非常大会非常消耗空间和时间。它的另一个缺陷是无法给出任何数据的基础结构信息，因此我们无法平均实例样本和典型实例样本具体特征，而决策树将使用概率测量方法处理分类问题，以后章节会介绍。