k-邻近算法:有监督算法
算法工作原理:
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,将新数据的每一个特征与样本集中数据对应的特征进行比较,然后算法提供样本集中特征最相似数据(最邻近)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-邻近算法中K的出处。
算法实验分析:
实验目的:用K-邻近算法实现UCI数据集的分类。
实验数据:选取Caesarian Section Classification Dataset(UCI剖腹产数据集)数据集进行分类,数据样本共80个,数据包含5种属性且分别为:
产妇年龄:{22,26,28,27,32,36,33,23,20,29,25,37,24,18,30,40,31,19,21,35,17,38}
分娩数量:{1,2,3,4}
分娩时间:{0,1,2} - > {0 =正常,1 =早产,2 =超过预产期}
血压:{2,1,0} - > {0 =低,1 =正常,2 =高}
心脏状态:{1,0} - > {0 =正常,1 =不适}
剖腹产:{0,1} - > {0 =不,1 =是}
以下为部分数据展示:实验中训练数据与测试数据比例为7:1
22,1,0,2,0,non-caesarean
26,2,0,1,0,cesarean
26,2,1,1,0,non-caesarean
数据集地址:http://archive.ics.uci.edu/ml/datasets/Caesarian+Section+Classification+Dataset
实验代码:
"""
function:K邻近算法实现UCI数据集分类.
"""
from numpy import *
import numpy as np
from collections import Counter
def datasetload(filepath):
data = []
labels = []
fr = open(filepath)
for line in fr.readlines():
curline = line.strip().split(',')
fltline = list(map(float, curline[:5]))
data.append(fltline)
labels.append(curline[5:])
return data, labels
# 计算欧式距离衡量数据间的相似度.
def distEclud(vecA, vecB):
return sqrt(np.sum(power(np.array(vecA) - np.array(vecB), 2)))
def KNN(K):
exact_amount = 0
for i in range(len(goal_data)):
distance = {} # distance字典: key(数据编号):value(欧式距离).
K_labels = [] # 存储前K个邻近数据的类标签.
for j in range(len(train_data)):
distance.update({j+1: (distEclud(goal_data[i], train_data[j]))})
# 对计算结果进行排序,找出最邻近的前K个值.
distance = sorted(distance.items(), key=lambda x: x[1])
for t in range(K):
# 取出前K个邻近数据的编号及类标签构成K_labels.
# print("前K个邻近数据排序:{}".format(distance[t][0]))
K_labels.append((train_labels[(distance[t][0])-1])[0])
# counts_label邻近数据中频率最大的类标签及频率.
counts_label = Counter(K_labels).most_common(1)
print("第{}条目标数据预测类别为:{}---正确类别为:{}".format(i+1, (counts_label[0])[0],goal_labels[i])[0]))
if (counts_label[0])[0] == ((goal_labels[i])[0]):
exact_amount = exact_amount + 1
# 准确率计算.
accuracy = format(float(exact_amount) / float(len(goal_data)), '.2f')
print("程序分类准确率:{}".format(accuracy))
print("------------------分隔符------------------")
if __name__ == '__main__':
train_path = 'D:/pycharm/code/python_learning_test/KNN/TRAIN_DATA.txt'
goal_path = 'D:/pycharm/code/python_learning_test/KNN/GOAL_DATA.txt'
train_data, train_labels = datasetload(train_path)
goal_data, goal_labels = datasetload(goal_path)
# 定义K邻近算法参数K.
for K in range(1, 9):
KNN(K)
实验中数据的距离度量用的是最简单的欧氏距离方法:
通过将目标数据与训练数据间的欧氏距离从小到大排列,选取前K个训练数据的类别,其中最多出现的类别为目标数据的预测类别。