第一部分:分类
第二章 k-近邻算法
k-近邻算法概述
-
简单地说,k-近邻算法采用测量不同特征值之间的距离方法进行分类。
-
k-近邻算法
- 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。
- 适用数据范围:数值型和标称型。
-
k-近邻算法(kNN)的工作原理
- 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。
-
实例说明:使用k-近邻算法分类爱情片和动作片
- 首先我们需要知道这个未知电影存在多少个打斗镜头和接吻镜头,图2-1中问号位置是该未知电影出现的镜头数图形化展示,具体数字参见表2-1:
- 即使不知道未知电影属于哪种类型,我们也可以通过某种方法计算出来。首先计算未知电影与样本集中其他电影的距离,如表2-2所示:
- 现在我们得到了样本集中所有电影与未知电影的距离,按照距离递增排序,可以找到 k 个距离最近的电影。
- 假定 k=3,则三个最靠近的电影依次是 He’s Not Really into Dudes、Beautiful Woman 和 California Man。
- k-近邻算法按照距离最近的三部电影的类型,决定未知电影的类型,而这三部电影全是爱情片,因此我们判定未知电影是爱情片。
- 首先我们需要知道这个未知电影存在多少个打斗镜头和接吻镜头,图2-1中问号位置是该未知电影出现的镜头数图形化展示,具体数字参见表2-1:
-
k-近邻算法的一般流程
- 收集数据:可以使用任何方法;
- 准备数据:距离计算所需要的数值,最好是结构化的数据格式;
- 分析数据:可以使用任何方法;
- 训练算法:此步骤不适用于k-近邻算法;
- 测试算法:计算错误率;
- 使用算法:首先需要输入样本数据和结构化的输出结果,然后运行k-近邻算法判定输入数据分别属于哪个分类,最后应用对计算出的分类执行后续的处理。
准备:使用 Python 导入数据
-
首先,创建名为 KNN.py 的 Python 模块,本章使用的所有代码都在这个文件中。
-
在构造完整的k-近邻算法之前,我们还需要编写一些基本的通用函数,在 kNN.py 文件中增加下面的代码:
import numpy as np # 导入第一个模块:科学计算包NumPy from numpy import * import operator # 导入第二个模块:运算符模块,k-近邻算法执行排序操作时将使用这个模块提供的函数 def createDataSet(): # 为了方便使用 createDataSet() 函数,它创建数据集和标签 group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) labels = ['A', 'A', 'B', 'B'] return group, labels
-
打开 ipython 进行交互式开发环境。
-
进入 IPython 开发环境之后,输入下列命令导入上面编辑的程序模块:
# 这里首先要把环境切换到存放 KNN.py 处 # 由于我存放的位置为桌面,所以首先使用 cd C:\Users\fangz\Desktop In [1]: import KNN # 导入kNN模块。
-
为了确保输入相同的数据集,KNN 模块中定义了函数 createDataSet,在 IPython 命令提示符下输入下列命令:
# 创建了变量 group 和 labels In [2]: group, labels = KNN.createDataSet()
-
在 IPython 命令提示符下,输入变量的名字以检验是否正确地定义变量:
In [3]: group Out[3]: array([[ 1. , 1.1], [ 1. , 1. ], [ 0. , 0. ], [ 0. , 0.1]]) In [4]: labels Out[4]: ['A', 'A', 'B', 'B']
-
这里有4组数据,每组数据有两个我们已知的属性或者特征值。上面的group矩阵每行包含一个不同的数据,我们可以把它想象为某个日志文件中不同的测量点或者入口。为了简单地实现数据可视化,对于每个数据点我们通常只使用两个特征。
-
向量 labels 包含了每个数据点的标签信息,labels 包含的元素个数等于 group 矩阵行数。这里我们将数据点(1, 1.1)定义为类A,数据点(0, 0.1)定义为类B。为了说明方便,例子中的数值是任意选择的,并没有给出轴标签,图2-2是带有类标签信息的四个数据点。
实施 KNN 算法
-
Python 函数 classify0() 函数的功能是使用k-近邻算法将每组数据划分到某个类中,对未知类别属性的数据集中的每个点依次执行以下操作:
- 计算已知类别数据集中的点与当前点之间的距离;
- 按照距离递增次序排序;
- 选取与当前点距离最小的 k 个点;
- 确定前 k 个点所在类别的出现频率;
- 返回前 k 个点出现频率最高的类别作为当前点的预测分类。
import numpy as np import operator # k-近邻算法 def classify0(inX, dataSet, labels, k): # 距离计算 dataSetSize = dataSet.shape[0] diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet sqDiffMat = diffMat ** 2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances ** 0.5 # 选择距离最小的 k 个点 sortedDistIndicies = distances.argsort() classCount = { } for i in range(k): voteIlabel = labels[sortedDistIndicies[i]] classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 # 排序 sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True) return sortedClassCount[0][0]
- classify0() 函数有4个输入参数:用于分类的输入向量是 inX,输入的训练样本集为dataSet,标签向量为 labels,最后的参数 k 表示用于选择最近邻的数目,其中标签向量的元素数目和矩阵 dataSet 的行数相同。
- 使用欧氏距离公式,计算两个向量点 x A xA xA 和 x B xB xB 之间的距离: d = ( x A 0 − x B 0 ) 2 + ( x A 1 − x B 1 ) 2 d=\sqrt{(xA_0-xB_0)^2+(xA_1-xB_1)^2} d=(xA0−xB0)2+(xA1−xB1)2
- 计算完所有点之间的距离后,可以对数据按照从小到大的次序排序。
- 然后,确定前 k 个距离最小元素所在的主要分类,输入 k 总是正整数。
- 最后,将 classCount 字典分解为元组列表,然后使用程序第二行导入运算符模块的itemgetter 方法,按照第二个元素的次序对元组进行排序 。
- 此处的排序为逆序,即按照从最大到最小次序排序,最后返回发生频率最高的元素标签。
-
为了预测数据所在分类,在Python提示符中输入下列命令:
In [5]: KNN.classify0([0, 0], group, labels, 3) Out[5]: ['B']
如何测试分类器
-
分类器并不会得到百分百正确的结果,我们可以使用多种方法检测分类器的正确率。此外分类器的性能也会受到多种因素的影响,如分类器设置和数据集等。不同的算法在不同数据集上的表现可能完全不同。
-
为了测试分类器的效果,我们可以使用已知答案的数据,当然答案不能告诉分类器,检验分类器给出的结果是否符合预期结果。通过大量的测试数据,我们可以得到分类器的错误率——分类器给出错误结果的次数除以测试执行的总数。错误率是常用的评估方法,主要用于评估分类器在某个数据集上的执行效果。
第一个实例的源代码(详细的注释版本)
"""
函数说明:创建数据集
Parameters:
无
Returns:
group - 数据集
labels - 分类标签
"""
import numpy as np # 导入第一个模块:科学计算包NumPy
from numpy import *
import operator # 导入第二个模块:运算符模块,k-近邻算法执行排序操作时将使用这个模块提供的函数
#四组二维特征
def createDataSet(): # 为了方便使用 createDataSet() 函数,它创建数据集和标签
group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
# #四组特征的标签
labels = ['A', 'A', 'B', 'B']
return group, 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
"""
# k-近邻算法
def classify0(inX, dataSet, labels, k):
# 距离计算,Numpy 函数 shape[0] 返回 dataset 的行数
dataSetSize = dataSet.shape[0]
# 在列方向上重复 inX 共一次(横向),行向量方向上重复 inX 共 dataSetSize 次(纵向)
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
# 二维特征相减后平方
sqDiffMat = diffMat ** 2
# sum() 所有元素相加,sum(0) 列相加,sum(1) 行相加
sqDistances = sqDiffMat.sum(axis=1)
# 开方,计算出距离
distances = sqDistances ** 0.5
# 选择距离最小的 k 个点
# 返回 distances 中元素从小到大排序后的索引值
sortedDistIndicies = distances.argsort()
# 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[sortedDistIndicies[i]]
# dict.get(key,default=None) 是字典的 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
# 排序
# 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)
return sortedClassCount[0][0]
if __name__ == '__main__':
#创建数据集
group, labels = createDataSet()
# 打印数据集
print(group)
print(labels)
# 测试集
test = [0, 0]
# KNN 分类
test_class = classify0(test, group, labels, 3)
print(test_class)
"""
输出结果:
[[ 1. 1.1]
[ 1. 1. ]
[ 0. 0. ]
[ 0. 0.1]]
['A', 'A', 'B', 'B']
B
"""