【Python机器学习】感知器进行信用分类和使用KNN进行图书推荐实战(附源码和数据集)

需要源码和数据集请点赞关注收藏后评论区留言私信~~~

一、KNN进行图书推荐

KNN算法思想简介

KNN 可以说是最简单的分类算法之一,同时,它也是最常用的分类算法之一。注意:KNN 算法是有监督学习中的分类算法,它看起来和另一个机器学习算法 K-means 有点像(K-means 是无监督学习算法),但却是有本质区别的。

KNN 的全称是 K Nearest Neighbors,意思是 K 个最近的邻居。从这个名字我们就能看出一些 KNN 算法的蛛丝马迹了。K 个最近邻居,毫无疑问,K 的取值肯定是至关重要的,那么最近的邻居又是怎么回事呢?其实,KNN 的原理就是当预测一个新的值 x 的时候,根据它距离最近的 K 个点是什么类别来判断 x 属于哪个类别。

要度量空间中点距离的话,有好几种度量方式,比如常见的曼哈顿距离计算、欧式距离计算等等。不过通常 KNN 算法中使用的是欧式距离。这里只是简单说一下,拿二维平面为例,二维空间两个点的欧式距离计算公式如下:

该如何确定 K 取多少值好呢?答案是通过交叉验证(将样本数据按照一定比例,拆分出训练用的数据和验证用的数据,比如6:4拆分出部分训练数据和验证数据),从选取一个较小的 K 值开始,不断增加 K 的值,然后计算验证集合的方差,最终找到一个比较合适的 K 值。 

 

描述:下面比表7.5中是一个图书网站的数据,有5位用户对4本图书进行了评分。详细评分的值越大表示喜好越强烈。使用KNN模型找出与用户F最相似的用户。

预测结果如下 用户C与用户F喜好最为相似

 

部分代码如下

# -*- coding: utf-8 -*-
import numpy as np
from sklearn import neighbors
knn = neighbors.KNeighborsClassifier(1)   #取得 knn 分类器
data = np.array([[1.1, 1.5, 1.4, 0.2],
                 [1.9, 1.0, 1.4 ,0.2],
                 [1.7, 1.2, 1.3, 0.2],
                 [2.6, 2..2]])
labels = np.array(['A','B','C','D','E'])
knn.fit(data)
print("预测结果:",knn.predict(np.array([[1.6, 1.5, 1.2, 0.1]]).reshape(1,-1)))

 二、使用感知器Perceptron进行信用分类

感知机(perceptron),又称“人工神经元”或“朴素感知机”,由Frank Rosenblatt于1957年提出。作为神经网络的起源算法,通过深入学习可以帮助我们更好的理解神经网络的部分工作原理。

感知机接受多个输入信号,输出一个信号。感知机的信号只有“0(不传递信号)”和“1(传递信号)”两种。

单个感知机的局限性就在于它只能表示由一条直线分割的空间,对于非线性问题(即线性不可分问题)仅用单个感知机无法解决。

使用感知器对信用分类结果如下

可以看出有一条很明显的分界线将信用分成两个部分 

 

 部分代码如下

# -*- encoding:utf-8 -*-
from sklearn.linear_model import Perceptron
from sklearn.cross_validation import train_test_split
from matplotlib import pyplot as plt
import numpy as np
import pandas as pd

def loaddata(): 
    people = pd.read_csv("credit-overdue.csv", header=0) # 加载数据集
    X = people[['debt','income']].values
    y = people['overdue'].values
    return X,y 

print("Step1:read data...")
x,y=loaddata() 

#拆分为训练数据和测试数据
print("Step2:fit by Perceptron...")
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=0) 

#将两类值分别存放、以便显示
positive_x1=[x[i,0]for i in range(len(y)) if y[i]==1]
positive_x2range(len(y)) if y[i]==0] 

#定义感知机
clf=Perceptron(n_iter=100)
clf.fit(x_train,y_train)
print("Step3:get the weights and bias...")

#得到结果参数
weights=clf.coef_
bias=clf.intercept_
print('  权重为:',weights,'\n  截距为:',bias)
print("Step4:compute the accuracy...")    

#使用测p5:draw with the weights and bias...")
plt.scatter(positive_x1,positive_x2, marker='^',c='red')
plt.scatter(negetive_x1,negetive_x2,c='blue')

#显示感知机生成的分类线 
line_x=np.arange(0,4)
line_y=line_x*(-weights[0][0]/weights[0][1])-bias
plt.plot(line_x,line_y)
plt.show()

创作不易 觉得有帮助请点赞关注收藏~~~

  • 23
    点赞
  • 37
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 14
    评论
好的,这是一个RPCA算法对MNIST数据进行图像分类使用KNN分类Python完整项目。首先,你需要安装以下Python库: - numpy - matplotlib - sklearn - cvxpy 接下来,你可以按照以下步骤来完成这个项目: 1. 导入所需的库: ``` import numpy as np import matplotlib.pyplot as plt from sklearn import datasets from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import classification_report import cvxpy as cp ``` 2. 加载MNIST数据集: ``` digits = datasets.load_digits() X = digits.data y = digits.target ``` 3. 定义RPCA算法: ``` def rpca(X): n_samples, n_features = X.shape # 定义优化变量 L = cp.Variable((n_samples, n_features)) S = cp.Variable((n_samples, n_features)) # 定义问题 problem = cp.Problem(cp.Minimize(cp.norm(L, "nuc") + cp.norm(S, 1)), [X == L + S]) # 解决问题 problem.solve() # 提取结果 L = L.value S = S.value return L, S ``` 4. 对MNIST数据进行RPCA降维: ``` L, S = rpca(X) X = L ``` 5. 划分数据集为训练集和测试集: ``` X_train, y_train = X[:1500], y[:1500] X_test, y_test = X[1500:], y[1500:] ``` 6. 使用KNN分类进行分类: ``` knn = KNeighborsClassifier(n_neighbors=5) knn.fit(X_train, y_train) y_pred = knn.predict(X_test) ``` 7. 输出分类结果: ``` print(classification_report(y_test, y_pred)) ``` 这就是整个项目的完整代码。你可以将这些代码复制到一个Python文件中并运行它。它会加载MNIST数据集,使用RPCA算法对数据进行降维,划分数据集为训练集和测试集,使用KNN分类进行分类,并输出分类结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 14
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

showswoller

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值