按照距离最近的K个样本的标签来决定未知样本的标签结果
- k 值的确定:可以通过选择不同的 k 值比较分类效果来确定最佳 k 值(先大范围初筛,再小范围细筛)
- 基于距离比较,所以样本各特征之间的取值范围差别较大的时候,应该对特征进行归一化处理,提升分类效果(要消除量纲对特征的影响)
- 没有模型的训练过程,每进来一个新样本,会与每个旧样本进行距离的计算,时间及空间复杂度较大,故不适用于大数据量(需要存储空间和计算时间)
- k-近邻算法是基于实例的学习,使用算法时须保证存在接近实际数据的训练样本数据
python代码实现(含约会网站配对和手写数字识别)
import numpy as np
import operator
def createDataSet():
group=np.array([[1.0,1.1],
[1.0,1.0],
[0.0,0.0],
[0.0,0.1]])
labels=['A','A','B','B']
return group,labels
def classify0(inX,dataSet,labels,k):#inX需要分类的测试集,dataSet已有的训练集,labels标签
'''
简易版KNN实现
'''
#计算距离
dataSetSize=dataSet.shape[0]
diffMat=np.tile(inX,(dataSetSize,1))-dataSet#将矩阵纵向粘贴复制
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()#返回的是数组值从小到大的索引值
classCount={}
for i in range(k):
voteIlabel=labels[sortedDistIndicies[i]]
classCount[voteIlabel]=classCount.get(voteIlabel,0)+1#如果指定键不存在的话,返回0
sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)#根据第一个域进行排序
return sortedClassCount[0][0]
def file2matrix(filename):
'''
csv文件转成属性标签矩阵
'''
fr=open(filename)
arrayOLines=fr.readlines()
fr.close()
numberOfLines=len(arrayOLines)
returnMat=np.zeros((numberOfLines,3))
classLabelVector=[]
index=0
for line in arrayOLines:
line=line.strip()
listFromLine=line.split('\t')
returnMat[index,:]=listFromLine[0:3]
classLabelVector.append(int(listFromLine[-1]))
index+=1
return returnMat,classLabelVector
def autoNorm(dataSet):
'''
归一化特征
'''
minVals=dataSet.min(0)#从列中选取最小值
maxVals=dataSet.max(0)
ranges=maxVals-minVals
normDataSet=np.zeros(np.shape(dataSet))
m=dataSet.shape[0]
normDataSet=dataSet-np.tile(minVals,(m,1))
normDataSet/=np.tile(ranges,(m,1))
return normDataSet,ranges,minVals
def datingClassTest():
hoRatio=0.10#设置测试集比率
datingDataMat,datingLabels=file2matrix('.\machinelearninginaction\Ch02\datingTestSet2.txt')
normMat,ranges,minVals=autoNorm(datingDataMat)
m=normMat.shape[0]
numTestVecs=int(m*hoRatio)
errorCount=0.0
for i in range(numTestVecs):
classifierResult=classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
print('分类器返回:%d;真实的结果:%d'%(classifierResult,datingLabels[i]))
if classifierResult != datingLabels[i]:
errorCount+=1
print('总错误率:%f'%(errorCount/numTestVecs))
def img2vector(filename):
'''
将一个32*32的二进制图像矩阵转换成1*1024的向量
'''
returnVect=np.zeros((1,1024))
fr=open(filename)
for i in range(32):
lineStr=fr.readline()
for j in range(32):
returnVect[0,32*i+j]=int(lineStr[j])
return returnVect
import os
def handwriteClassTest():
hwLabels=[]
trainingFileList=os.listdir('./machinelearninginaction/Ch02/trainingDigits')
m=len(trainingFileList)
trainingMat=np.zeros((m,1024))
for i in range(m):
fileNameStr=trainingFileList[i]
fileStr=fileNameStr.split('.')[0]
classNumStr=int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
trainingMat[i,:]=img2vector('./machinelearninginaction/Ch02/trainingDigits/%s'%fileNameStr)
testFileList=os.listdir('./machinelearninginaction/Ch02/testDigits')
errorCount=0.0
mTest=len(testFileList)
for i in range(mTest):
fileNameStr=testFileList[i]
fileStr=fileNameStr.split('.')[0]
classNumStr=int(fileStr.split('_')[0])
vectorUnderTest=img2vector('./machinelearninginaction/Ch02/testDigits/%s'%fileNameStr)
classifierResult=classify0(vectorUnderTest,trainingMat,hwLabels,3)
print('分类器返回:%d;真实的结果:%d'%(classifierResult,classNumStr))
if classifierResult!=classNumStr:
errorCount+=1.0
print('错误总数:%d'%errorCount)
print('总错误率:%f'%(errorCount/mTest))