k-近邻算法(kNN)
《机器学习实战》笔记
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一数据与所属分类的对应关系。输人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。
最近邻:距每个样本点的欧氏距离的最小值
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:导入数据和标签
import numpy as np
def createDataSet():
groups = np.array([[1.0, 1.2], [1.0, 1.0], [0, 0], [0, 0.1]]) #shape=(样本数, 特征数)
labels = ['A', 'A', 'B', 'B'] #shape = (1, 样本数)
return groups, labels
k-近邻算法
import operator
import numpy as np
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0] #样本数
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet #将inX复制dataSetSize行,再与dataSet对应位置元素相减得差值
sqDiffMat = diffMat ** 2 #每个位置元素平方
sqDistances = sqDiffMat.sum(axis = 1) #计算每行的和(水平方向)
distances = sqDistances ** 0.5 #欧氏距离,开根
sortedDistIndicies = distances.argsort() #排序(索引)
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]] #最小的k个距离标签值
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #相应标签数增加
# 按标签数顺序排序,sortedClassCount结构为[(标签名,标签数), (标签名,标签数)...]
sortedClassCount = sorted(classCount.iteritems(), key = operator.itemgetter(1), reverse = True)
return sortedClassCount[0][0]
案例一:约会网站
从文本文件解析数据
文本文件内容格式为:特征数据1\t特征数据2\t…\t标签\n
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines) #行数即样本数
returnMat = np.zeros((numberOfLines, 3)) #初始化返回的样本集
classLabelVector = [] #初始化标签
index = 0 #记录行标签
for line in arrayOLines:
line = line.strip() #去除行末的换行符\n
listFromLine = line.split('\t') #按\t分隔内容
returnMat[index, :] = listFromLine[0 : 3] #每行前三个数据(这里特征数据有三个)放在returnMat的每一行
classLabelVector.append(int(listFromLine[-1])) #相应的把标签值放在标签列表中
index += 1 #行数加一,进行下一行操作
fr.close() #关闭文件
return returnMat, classLabelVector
归一化数据
归一化数据的目的是为了使每个特征数据对预测值的影响相当
公式:归一化后的数据 = (原数据 -每列min) / 每列range
def autoNorm(dataSet):
minVals = dataSet.min(0) #0取每列的最小值
maxVals = dataSet.max(0) #0取每列的最大值
ranges = maxVals - minVals #取每列的数据范围
normDataSet = np.zeros(dataSet.shape) #初始化归一化后的结果
m = dataSet.shape[0] #样本的个数
normDataSet = dataSet - np.tile(minVals, (m, 1))
normDataSet = normDataSet / np.tile(ranges, (m, 1)) #归一化,0-1范围
return normDataSet, ranges, minVals
测试算法
将样本数据集分一部分作为测试集,将得到的预测结果与测试集标签对比,计算错误率
def datingClassTest():
hoRatio = 0.10 #测试集随机选取样本集的10%
datingDataMat, datingLabels = file2matrix('datingTestSet.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
m = normMat.shape[0] #样本集中的样本个数
numTestVecs = int(m * hoRatio) #测试集数据个数
errorCount = 0.0 #用于计算错误率
for i in range(numTestVecs):
#classify0(inX, dataSet, labels, k)
classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :],\
datingLabels[numTestVecs:m], 30)
print("the classifier came back with: %d, the real answer is: %d"\
%(classifierResult, datingLabels[i]))
if(classifierResult != datingLabels[i]):
errorCount += 1.0
print("the total error rate is %f"%(errorCount / float(numTestVecs)))
使用算法
通过用户的输入,得到推测结果
def classifyPerson():
resultList = ['not at all', 'in small doses', 'in large doses'] #通过预测的数字标签,得到文本结果
percentTats = float(input("percentage of time spent playing video games?")) #输入特征数据1
ffMiles = float(input("frequent flier miles earned per year?")) #输入特征数据2
iceCream = float(input("liters of ice cream consumed per year?")) #输入特征数据3
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
inArr = np.array([ffMiles, percentTats, iceCream]) #输入的数据
classifierResult = classify0((inArr - minVals)/ranges, normMat, datingLabels, 3)
print("you will probably like this person: ", resultList[classifierResult - 1])
案例二:手写识别系统
原始图片数据:01表示的32*32的黑白图像矩阵
准备数据
将32*32转化为1*1024的数据,用于后续处理
def img2vector(filename):
returnVect = np.zeros((1, 1024)) #初始化
fr = open(filename)
for i in range(32):
lineStr = fr.readline()
for j in range(32):
returnVect[0, 32*i+j] = int(lineStr[j]) #读入数据存入returnVect
return returnVect
测试算法
使用k-近邻算法识别手写数字
from os import listdir
def handwritingClassTest():
hwLabels = []
trainingFileList = listdir('trainingDigits') #读取存数字文件的文件夹
m = len(trainingFileList) #数字文件的个数
trainingMat = np.zeros((m, 1024)) #初始化数据集
for i in range(m):
fileNameStr = trainingFileList[i] #读取每个文件名
fileStr = fileNameStr.split('.')[0] #去除后缀名txt,得到文件名
classNumStr = int(fileStr.split('_')[0]) #按文件名格式(数字_标号.txt)去读取每个文件的标签数字
hwLabels.append(classNumStr) #标签存入hwLabels
trainingMat[i,:] = img2vector('trainingDigits/%s' %fileNameStr) #依此读入每个文件的数据,转化为1*1024
testFileList = listdir('testDigits') #打开存测试数据的文件夹
errorCount = 0.0
mTest = len(testFileList) #测试数据的个数
for i in range(mTest):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
vectorUnderTest = img2vector('testDigits/%s' %fileNameStr)
classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
print("the classifier came back with: %d, the real answer is: %d" %(classifierResult, classNumStr))
if(classifierResult != classNumStr):
errorCount += 1.0
print("\nthe total number of errors is: %d" %errorCount)
print("\nthe total error rate is: %f" %(errorCount/float(mTest)))