提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
一、KNN算法概述
KNN(K-Nearest Neighbors)算法是一种基本且常用的机器学习算法之一,用于分类和回归。它的基本思想是通过测量不同特征值之间的距离来进行分类,即将新数据的特征与训练集中的数据进行比较,并找到最相似(即最邻近)的数据。一般而言,在KNN算法中,通过选择K个最近邻的数据点,根据它们的类别信息来进行分类预测。这一过程可以用于解决分类问题,也可以用于回归分析。值得注意的是,KNN算法属于无参数学习方法,不需要事先对数据进行训练,因此它是一种基于实例的学习或记忆型学习的算法。
二、KNN算法介绍
1、距离计算
(1) 欧式距离(即两点之间的直线距离):
(2)曼哈顿距离:
2、k值选择
在KNN算法中,K值的选择对算法的性能和分类准确度有着重要的影响。通常来说,K值的选择需要根据具体问题和数据集特点来进行调试和选择,以下是一些关于K值选择的一般性原则:
K值较小:当K值较小时,模型对噪声和局部特征的敏感度会增高,可能会导致过拟合,在训练集上表现很好,但在测试集上表现不佳。一般来说,K值不宜选择过小,可以尝试选择较大的K值来平衡数据的局部特性。
K值较大:当K值较大时,模型会更倾向于选择更多的邻近样本进行投票,可能会忽略掉样本的局部特性。较大的K值可能会导致欠拟合问题,使得模型在训练集和测试集上的表现都较为一般。
数据集大小:较小的数据集适合选择较小的K值,以增加模型的敏感度;而较大的数据集适合选择较大的K值,以平衡局部特性。
交叉验证:为了选择最优的K值,可以使用交叉验证的方法,例如k折交叉验证,通过训练不同K值下的模型,选择具有最好性能的K值。
所谓K折交叉验证(K-foldcross validation),其过程如下:
(1) 将全部训练集S分成K个不相交的子集,假设S中的训练样例个数为m,那么每一个子集有m/k个训练样例。
(2) 每次从分好的子集中,选出一个作为测试集,另外k-1个作为训练集。
(3) 根据训练集得到模型。
(4) 根据模型对测试集进行测试,得到分类率。
(5) 计算k次求得的分类率的平均值,作为模型的最终分类率。
3、优点和缺点
(1)优点:
(2)缺点:
三、python代码实现实例——KNN实现约会配对
1、实例分析
我的朋友海伦一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的
人选,但她没有从中找到喜欢的人。经过一番总结,她发现曾交往过三种类型的人:
不喜欢的人
魅力一般的人
极其魅力的人
尽管发现了上述规律,但海伦依然无法将约会网站推荐的匹配对象归入恰当的分类。她觉得可以在周一到周五约会那些魅力一般的人,而周末更喜欢与那些极具魅力的人为伴。海伦希望我们的分类软件可以更好地帮助她将匹配对象划分到确切的分类中。此外海伦还收集了一些
约会网站未曾记录的数据信息,她认为这些数据更有助于匹配对象的归类。
2、实现步骤
(1) 收集数据:提供文本文件。
(2) 准备数据:使用Python解析文本文件。
(3) 分析数据:使用Matplotlib画二维扩散图。
(4) 训练算法:此步驟不适用于k近邻算法。
(5) 测试算法:使用海伦提供的部分数据作为测试样本。
测试样本和非测试样本的区别:测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记为一个错误。
(6) 使用算法:产生简单的命令行程序,然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。
3、数据收集
我这里为大家提供文本样例
百度网盘
链接:https://pan.baidu.com/s/15qhYR7InalBX_AbdwfYklQ?pwd=mjox
提取码:mjox
4、准备数据:使用Python解析文本文件。
样本主要包含以下3个特征:
每年获得的飞行常客里程数
玩视频游戏所耗时间百分比
每周消费的冰淇淋公斤数
我们需要使用python代码将指定格式的文本文件导入
在py文件中创建fileAnalyse()函数准备数据导入。
代码
'''
#准备数据,从文本文件中解析数据
'''
def file2matrix(filename):
#打开文件
with open(filename,'r') as fr:
# 读取文件所有内容
arrayOLines = fr.readlines()
# 得到文件行数
numberOfLines = len(arrayOLines)
# 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
returnMat = np.zeros((numberOfLines, 3))
# 返回的分类标签向量
classLabelVector = []
# 行的索引值
index = 0
for line in arrayOLines:
# s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
line = line.strip()
# 使用s.split(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] == 'didntLike':
classLabelVector.append(1)
elif listFromLine[-1] == 'smallDoses':
classLabelVector.append(2)
elif listFromLine[-1] == 'largeDoses':
classLabelVector.append(3)
index += 1
return returnMat, classLabelVector
5、分析数据,数据可视化,使用Matplotlib创建散点图
def showdatas(datingDataMat, datingLabels):
#设置汉字格式
# sans-serif就是无衬线字体,是一种通用字体族。
# 常见的无衬线字体有 Trebuchet MS, Tahoma, Verdana, Arial, Helvetica, 中文的幼圆、隶书等等
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体 SimHei为黑体
mpl.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
#将fig画布分隔成2行2列,不共享x轴和y轴,fig画布的大小为(13,8)
#当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,9))
LabelsColors = []
for i in datingLabels:
if i == 1:
LabelsColors.append('black')
if i == 2:
LabelsColors.append('orange')
if i == 3:
LabelsColors.append('red')
#画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
#设置标题,x轴label,y轴label
axs0_title_text = axs[0][0].set_title('每年获得的飞行常客里程数与玩视频游戏所消耗时间占比')
axs0_xlabel_text = axs[0][0].set_xlabel('每年获得的飞行常客里程数')
axs0_ylabel_text = axs[0][0].set_ylabel('玩视频游戏所消耗时间占')
plt.setp(axs0_title_text, size=12, weight='bold', color='red')
plt.setp(axs0_xlabel_text, size=10, weight='bold', color='black')
plt.setp(axs0_ylabel_text, size=10, weight='bold', color='black')
#画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
#设置标题,x轴label,y轴label
axs1_title_text = axs[0][1].set_title('每年获得的飞行常客里程数与每周消费的冰激淋公升数',)
axs1_xlabel_text = axs[0][1].set_xlabel('每年获得的飞行常客里程数')
axs1_ylabel_text = axs[0][1].set_ylabel('每周消费的冰激淋公升数')
plt.setp(axs1_title_text, size=12, weight='bold', color='red')
plt.setp(axs1_xlabel_text, size=10, weight='bold', color='black')
plt.setp(axs1_ylabel_text, size=10, weight='bold', color='black')
#画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
#设置标题,x轴label,y轴label
axs2_title_text = axs[1][0].set_title('玩视频游戏所消耗时间占比与每周消费的冰激淋公升数')
axs2_xlabel_text = axs[1][0].set_xlabel('玩视频游戏所消耗时间占比')
axs2_ylabel_text = axs[1][0].set_ylabel('每周消费的冰激淋公升数')
plt.setp(axs2_title_text, size=12, weight='bold', color='red')
plt.setp(axs2_xlabel_text, size=10, weight='bold', color='black')
plt.setp(axs2_ylabel_text, size=10, weight='bold', color='black')
#设置图例
didntLike = mlines.Line2D([], [], color='black', marker='.', markersize=6, label='不喜欢')
smallDoses = mlines.Line2D([], [], color='orange', marker='.',markersize=6, label='魅力一般')
largeDoses = mlines.Line2D([], [], color='red', marker='.',markersize=6, label='极具魅力')
#添加图例
axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
#显示图片
plt.show()
散点图展示:
6、准备数据,数据归一化处理
def autoNorm(dataSet):
#获得每列数据的最小值和最大值
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]
#原始值减去最小值
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
7、测试算法,计算分类器的错误率,验证分类器
def datingClassTest():
#打开的文件名
filename = "datingTestSet.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
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], 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))
执行结果:
7、使用算法,构建完整可用系统
def classifyPerson():
#输出结果
resultList = ['不喜欢','有些喜欢','非常喜欢']
#三维特征用户输入
ffMiles = float(input("每年获得的飞行常客里程数:"))
precentTats = float(input("玩视频游戏所耗时间百分比:"))
iceCream = float(input("每周消费的冰激淋公升数:"))
#打开的文件名
filename = "datingTestSet.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("每年获得的飞行常客里程数:%.2f"%ffMiles)
print("玩视频游戏所耗时间百分比:%.2f"%precentTats)
print("每周消费的冰激淋公升数:%.2f"%iceCream)
print("你可能%s这个人" % (resultList[classifierResult-1]))
8、KNN算法分类器
# inX - 用于分类的数据(测试集)
# dataSet - 用于训练的数据(训练集)
# labes - 训练数据的分类标签
# k - kNN算法参数,选择距离最小的k个点
# sortedClassCount[0][0] - 分类结果
'''
def classify0(inX, dataSet, labels, k):
#numpy函数shape[0]返回dataSet的行数
dataSetSize = dataSet.shape[0]
#在列向量方向上重复inX共1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
#返回distances中元素从小到大排序后的索引值
sortedDistIndices = 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[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
#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)
#返回次数最多的类别,即所要分类的类别
return sortedClassCount[0][0]
9、主函数,测试以上各个步骤,并输出各个步骤的结果
if __name__ == '__main__':
#打开的文件名
filename = "datingTestSet.txt"
#打开并处理数据
datingDataMat, datingLabels = file2matrix(filename)
#数据可视化
showdatas(datingDataMat, datingLabels)
#验证分类器
datingClassTest()
#使用分类器
classifyPerson()
10、实验总结
优点:
实现简单,容易理解和实现。
适用于多分类和二分类问题。
对于样本较少的数据集表现较好。
鲁棒性高,能够处理多类别和多类标签数据。
缺点:
对于大型数据集计算复杂度高,计算量与训练实例数成正比。
对异常值敏感,可能受到噪声干扰。
需要保持训练数据集的完整性,需要耗费大量的内存存储所有训练实例。
适用场景:
适用于小规模数据集、多分类和二分类问题。
适用于实时预测场景和数据集分布较为均匀的情况。
对于需要解释性强的场景,KNN算法可直观展示样本间的相似性和分类原因。
总的来说,在实际应用中,KNN算法在适用范围内性能良好,可以合适的参数选择和适当的优化来解决问题,在实验过程中,需要充分考虑数据集特点和问题需求,以提高算法的准确性和泛化能力。