1 定义数据集导入函数
import numpy as np """ 函数说明:打开并解析文件,对数据进行分类:1 代表不喜欢,2 代表魅力一般,3 代表极具魅力 Parameters: filename - 文件名 Returns: returnMat - 特征矩阵 classLabelVector - 分类Label向量 """ def file2matrix(filename): # 打开文件 fr = open(filename) # 读取文件所有内容 array0Lines = fr.readlines() # 得到文件行数 number0fLines = len(array0Lines) # 返回一个NumPy矩阵,解析完成的数据:number0fLines行,3列 returnMat = np.zeros((number0fLines, 3)) # 返回的分类标签向量 classLabelVector = [] # 行的索引值 index = 0 for line in array0Lines: # s.strip(rm), 当rm空时,默认删除空白符(包括'\n', '\r', '\t', ' '),去除的首部和尾部的空白符 line = line.strip() # 使用s.strip(str = "", num = string, cout(str))将字符串根据 '\t' 分隔符进行切片 listFromLine = line.split('\t') # 将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵 returnMat[index, :] = listFromLine[0:3] # 根据文本中标记的喜欢的程度进行分类,1 代表不喜欢,2 代表魅力一般,3 代表极具魅力 if listFromLine[-1] == "1": classLabelVector.append(1) elif listFromLine[-1] == "2": classLabelVector.append(2) elif listFromLine[-1] == "3": classLabelVector.append(3) index += 1 # 返回特征矩阵和标签向量 return returnMat, classLabelVector """ 函数说明:main函数 Parameters: 无 Returns: 无 """ if __name__ == '__main__': # 打开的文件名 filename = 'datingTestSet2.txt' # 打开并处理数据 datingDataMat, datingLabels = file2matrix(filename) # 打印 print(datingDataMat) print(datingLabels)
2 分析数据:数据可视化
import matplotlib import matplotlib.pyplot as plt fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(datingDataMat[:, 0], datingDataMat[:, 1], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels)) plt.show()
3 数据归一化
import numpy as np """ 函数说明:对数据进行归一化 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): # 获得数据的最小值 minVals = dataSet.min(0) maxVals = dataSet.max(0) # 最大值和最小值的范围 ranges = maxVals - minVals # 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] # 原始值减最小值 normDataSet = dataSet - np.tile(minVals, (m, 1)) # 除以最大和最小值的差,得到归一化数据 normDataSet = normDataSet / np.tile(ranges, (m, 1)) # 返回归一化数据结果,数据范围,最小值 return normDataSet, ranges, minVals
if __name__ == '__main__': normDataSet, ranges, minVals = autoNorm(datingDataMat) print(normDataSet) print(ranges) print(minVals)
4 定义K近邻算法
import numpy as np import operator """ 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, labels, k): # 获取dataSet(训练集)的行数,即有多少个样本 dataSetSize = dataSet.shape[0] # 将inX纵向重复dataSetSize次,横向重复1次,得到的diffMat矩阵规格与dataSet一致 diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet # 二维特征相减之后求平方。(注:参考求两点间的距离公式) sqDiffMat = diffMat ** 2 # 接下俩进行求和,将sqDiffMat[0] + sqDiffMat[1],可以使用sum(axis = 1)来完成 sqDistance = sqDiffMat.sum(axis = 1) # 开方,计算出距离 distances = sqDistance ** 0.5 # 返回distance中元素从小到大排序后的索引值 sortedDistIndices = distances.argsort() # 定义一个记录类别次数的字典 classCount = {} for i in range(k): # 首先取出前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 # Python 字典 items() 方法以列表返回可遍历的(键, 值) 元组数组 # 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]
5 测试分类器
""" 函数说明:分类器测试函数 Parameters: 无 Returns: normDataSet - 归一化后的特征矩阵 ranges - 数据范围 minVals - 数据最小值 """ def datingClassTest(): # 打开的文件名 filename = 'datingTestSet2.txt' # 将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中 datingDataMat, datingLabels = file2matrix(filename) # 取所有数据的百分之十做为测试集 hoRatio = 0.10 # 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normMat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个数作为测试集,后m - numTestVecs个数作为训练集 classifierResult = classify0(normMat[i, :], normMat[numTestVecs : m, :], datingLabels[numTestVecs : m], 4) 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()
6 使用算法构建完整可用系统
""" 函数说明:通过输入一个人的三维特征,进行分类输出 Parameters: 无 Returns: 无 """ def classifyPerson(): # 输出结果 resultList = ['讨厌', '有些喜欢', '非常喜欢'] # 三维特征用户输入 precentTats = float(input("玩视频游戏所耗时间百分比:")) ffMiles = float(input("每年获得的飞行常客里程数:")) iceCream = float(input("每周消费的冰淇淋公升数:")) # 打开的文件名 filename = 'datingTestSet2.txt' # 打开并处理数据 datingDataMat, datingLabels = file2matrix(filename) # 训练集归一化 normMat, ranges, minVals = autoNorm(datingDataMat) # 生成Numpy数组,测试集 inArr = np.array([ffMiles, precentTats, iceCream]) # 测试集归一化 norminArr = (inArr - minVals) / ranges # 返回分类结果 classifierResult = classify0(norminArr, normMat, datingLabels, 3) # 打印结果 print("你可能%s这个人" % (resultList[classifierResult - 1])) if __name__ == "__main__": classifyPerson()
数据集链接:
链接:https://pan.baidu.com/s/12rbDWeFPzyPuR-Xc0Tjc9A
提取码:1ilc
参考:
1、《机器学习实战》书籍
2、https://cuijiahua.com/blog/2017/11/ml_1_knn.html
3、深度之眼机器学习实战训练营课后作业(http://www.deepshare.net/)