机器学习之KNN

KNN 常用来做机器学习中的分类任务 。

白话介绍

物以类聚，人以群分。 身边的朋友的收入加起来的平均 就是你的收入。KNN 的思想也就是这样。 k-NearestNeighbor 距离最近要预测的数据 最近的 K 个 数据 他们的标签 就是预测数据的标签。

图解：

比如： 上图 将历史数据 分成 w1 w2 w3 三个分类 来了新数据 Xu 怎么判断 属于哪个分类呢？

按照距离远近 求解出 5 个点 发现 4 个红色 1 个绿色 离他最近 ，所以我们就认为 Xu属于 红色分类。

手写板 实例介绍

手写一个数字猜测 人写的是哪个数字 0—9 。

大致步骤：
1, 准备数据为特定的格式
1，将预测的数据 和 全部的 历史数据样本 进行 求距离
2，按照距离算出 最近的K个距离点。
3，判断最近K个距离点的标签 最多的标记的 就是预测点的标签。

准备数据

存入数据

都知道图片是像素RGBA 组成的 。我们将手写的图片 转换成 灰度图 也就是只要一个通道 有手划过的地方 置为 1 没有的地方 都是 0 。 如下图： 展示了三种写法的 0 是怎么存入记事本的。

为了 方便计算 我们将每一张图片都转换成 32*32 这么一个大小的图片。写入到 记事本里面 。 0---- 9每一个数字 我们都写了 近 200 张 存入记事本 并且记事本的名字格式： 数字_顺序 .txt 那么我们就得到了 数字的符号 和 数字的 标签 (0—9)

这个过程 不需要我们准备 有很多这样的数据集 网上都可以下载到。

取出数据

也是为了 方便计算 我们都采用的是矩阵计算 。而且 numpy 这个专门计算矩阵的库效率非常高 。所以我们将数据 都转成 矩阵存起来。
3232= 1024 我们一共找到 1935个0–9历史的数据
所以 表示方式 这样 [ 1935 ,1024] 这么大一个矩阵 也就是这样将上图的图片3232 转换成一行 [ 01110------ 00001] 后面大部分的图片数据 都这么处理的。

还有一个 表示标签的矩阵 [ 0…0,1…1,2…2,3…3,…9…9] 1935 这么一个 1*1935的矩阵 记录标签 跟前面的[1935,1024] 一一 对应起来。

计算距离

计算距离的方式 有很多种：

看到这些公式不要害怕 ，只是告诉大家有这么多种方式 。 我们采用最简单的 欧氏距离。

我们有了 A= 【1935,1024】 这么大一个矩阵 都在内存中 还有一个标签矩阵 C1= 1935 这么 1*1935的 ，

来了一个新数据 [00111100…1111] 大小 1*1024 变成

复制 这一行的数据1934次 变成 B=【 1935 ,1024】 这么大一个矩阵 。

根据 欧式距离：
然后 D= (A - B )^2 E = 开根号 （D对 所有行 每一行分别 求 和） 算出

根据这个距离排序 挑选出 前 K 行 索引 。

然后根据 索引 和 C1 矩阵 判定 属于哪个分类 ，也就是少数服从多数原则。

代码实现

#coding=utf-8
import  numpy  as np 

from numpy import *

import  os ,sys 





"""
将一个图片从32*32 变成   1*1024
"""
def   TextToList(fileName):
     
      tmpFile = open(fileName)

      line =tmpFile.readline()
      tmpCount=0

      dataSet = []
      while line:
        tmpCount= tmpCount+1
        for i  in range(32):
            dataSet.append(int(line[i]))
        line = tmpFile.readline()
        pass
      tmpFile.close()
      #print("tmpCount==",tmpCount)
      #print(dataSet)
      return  dataSet


"""
读取所有的图片文件  变成 1935*1024 矩阵
"""
def  ReadFiles(myPath):
    fileList= os.listdir(myPath)

    #print("fileList==",fileList)

    m = len (fileList)
    tranDataSet = np.zeros((m,1024))

    trainLabels = np.zeros((1,m))

    for  i  in  range(m) :
         
         tmpName = fileList[i][0]
         
         trainLabels[0,i]= tmpName
         #print(trainLabels[1,i])

         oneFile = TextToList(myPath +"/"+fileList[i])

         tranDataSet[i,] = oneFile

         #print(tranDataSet[i,],len(tranDataSet[i,]))
         #print(oneFile,len(oneFile))
    
    return  tranDataSet,trainLabels


"""
读取历史图片  变成 1935*1024 矩阵
"""
def  CreateData():
    
    myPath= "./trainingDigits"
    return  ReadFiles(myPath)

"""
读取 将要预测的图片
"""
def  ReadTest():

    myPath= "./testDigits"
    return  ReadFiles(myPath)



"""
将预测矩阵 变成  1935*1024   和历史数据 矩阵1934*1024
做欧式距离判断  并根据前K 个值判断  所属分类
"""
def   Classify(inX,dataSet,labels,k):

      tmpShape= dataSet.shape

      print("shape ==",dataSet.shape,inX.shape)
      differMat = np.tile(inX,(tmpShape[0],1))

      print("differMat==",differMat.shape)

      differMat = mat(differMat) - dataSet

      #print("differMat22==",differMat)

      differMat =  square(differMat) 
      #multiply(differMat,differMat)

      #print("differMat **2==",differMat)

      sqDistance =  differMat.sum(axis=1)

      #print("sqDistance ==",sqDistance)

      sqDistance = sqrt(sqDistance)
      #print("sqDistance =22=",sqDistance)

      sortDistance = np.array(sqDistance.argsort(axis=0)) 
      print("sortDistance ==",sortDistance)

      #print(sortDistance[2][0])
     
      label= np.array(labels.T)

      classCount= {}
      for i  in range(k):
          tmpIndex = sortDistance[i][0]
          voteLable = label[tmpIndex][0]
          #print(tmpIndex, label[tmpIndex],voteLable)
          if(not classCount.get(voteLable)):
               classCount[voteLable] =0
          classCount[voteLable] +=1

      #print ("classCount ==",classCount)
      sortedClass = sorted(classCount.items())

      print ("sorted ==",sortedClass[0][0])

      return  sortedClass[0][0]







"""
所有的流程 和 计算错误率
"""
def  Test():

    trainData,trainLabels = CreateData()

    testData,testLables= ReadTest()

    realRate= {}

    errorRate = {}

    for x in  range(len(testData)):
        testOne =Classify(testData[x,],trainData,trainLabels,1)

        if  not realRate.get(testLables[0,x]):
            realRate[testLables[0,x]] = 0
            errorRate[testLables[0,x]] =0

        if( testOne != testLables[0,x]):
            errorRate[testLables[0,x]] +=1.0
        realRate[testLables[0,x]] +=1.0 


    for key  in realRate.keys():

        tmpFloat = errorRate[key] / realRate[key]

        print("number==",key,"errorRate ==",tmpFloat)



Test()

工程也可以从 git上获取：下载

还有不明白的 可以交流:
群群nub：八七四一三九四三六