'''
python--version << 3.7
需要文件 可以联系我
k- 临近算法
优点: 精度高,对异常值不敏感,无数据输入假定
缺点: 计算复杂度高,空间复杂度高,适用数据范围:数值型,标称型
原理: 存在一个样本数据集合,并且每个数据都存在一个标签,输入一个没有数据标签的新数据,和样本中的进行比较,
然后提取一个相近的分类标签, 一般来说选取前K个最相似的数据,通常k是不大于20的整数
一般流程:
1.收集数据
2.准备数据: 距离计算所需要的数值,最好是格式化的数据格式
3.分析数据
4.训练算法:此步骤不适合用于k临近算法
5.测试算法:计算错误率
6.使用算法:首先输入样本数据和结构化的输出结果,然后运行k临近算法判定输入数据分别属哪个分类,最后对计算出的分类执行后续处理
使用k临近算法将每组数据划分到某个类中 伪代码:
1.计算已知类别数据集中的点与当前点之间的距离
2.按照距离递增次序排列
3.选区与当前点距离最小的k个点
4.确定前k个点所在类别出现的概率
5.返回前k个点出现频率最高的类别作为当前点的预测分类
'''
from numpy import *
import operator
def createData():
group = array([[1.0, 1.1],
[1.0, 1.0],
[0, 0],
[0, 0.1]])
labels = ['A', 'A', 'B', 'B']
return group, labels
def classify0(inX, dataSet, labels, k):
#输入向量, 样本训练向量, 标签向量,最邻近项目
dataSetSize = dataSet.shape[0]#多少个样本
diffMat = tile(inX, (dataSetSize, 1)) - dataSet #把输入的向量扩展成 dataSetSize * 1 的样子,并且和样本数据做差 x0-x1 y0-y1
sqDiffMat = diffMat**2 #将差值进行平方 (x0-x1)^2 (y0-y1)^2
sqDistances = sqDiffMat.sum(axis = 1) #将计算好的平方值进行求和 (x0-x1)^2 + (y0-y1)^2
distances = sqDistances**0.5 #开方求距离 sqrt((x0-x1)^2 + (y0-y1)^2)
sortedDistIndicies = distances.argsort() #将距离从小到大进行排序,排序后的值是排序前从小到大值的下标
classCount = {} #
for i in range(k): #求前K个临近值
voteIlabel = labels[sortedDistIndicies[i]] #前K个相近的标签
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #返回指定标签, 如果没有择是0+1 如果有就+1
sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse=True )#从大到小排序,根据次数进行排序
return sortedClassCount[0][0]#返回第一个lable
group , labels = createData()
print("group :", group)
print('labels :', labels)
label = classify0([0,0], group, labels, 3)
print('[0,0], label is :', label)
print('--------------------------------------------------------------------')
'''
::示例 ::
改进约会网站的配对效果
数据规模:1000行
数据特征:每年飞行里程数,玩视频游戏消耗时间百分比,每周吃多少公斤的冰淇淋, 最后一列是标签
'''
import matplotlib
import matplotlib.pyplot as plt
def file2matrix(filename):
#打开文件,解析数据
fr = open(filename) #打开文件
array0lines = fr.readlines()# 读取每一行
number0fLines = len(array0lines) #得到文件的行数
returnMat = zeros((number0fLines, 3)) #创建返回的numpy矩阵
classLabelVector = []
index = 0
for line in array0lines:
line = line.strip()#删除头尾指定字符,默认空格回车
listFormLine = line.split('\t')# 以制表符(tab)分隔
returnMat[index, :] = listFormLine[0:3]# 复制 转换成二维数组
classLabelVector.append(int(listFormLine[-1])) #标签
index += 1
return returnMat, classLabelVector
def create_scatter(datingDataMat, datingLabels):
#显示中文
plt.rcParams['font.sans-serif'] = ['SimHei']
fig = plt.figure() #创建一个画板
ax = fig.add_subplot(211) #将画板分成2x1 将图放在第一个
ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2], 15.0*array(datingLabels), 15.0*array(datingLabels)) #x轴 ,y轴,并且将每一个类别画上颜色
plt.xlabel('玩游戏视频消耗时间所占百分比')
plt.ylabel('每周吃多少公斤的冰淇淋')
bx = fig.add_subplot(212)
bx.scatter(datingDataMat[:, 0], datingDataMat[:,1 ], 15.0*array(datingLabels), 15.0*array(datingLabels))
plt.xlabel('每年飞行里程数')
plt.ylabel('玩游戏视频消耗时间所占百分比')
plt.show()
def autoNorm(dataSet):
#归一化特征值 将值 映射到0-1 (oldvalue-min)/max-min
minVals = dataSet.min(0) #axis = 0 每列的最小值 axis = 1 每列的最大值
maxVals = dataSet.max(0) #axis = 0 每列的最小值
ranges = maxVals - minVals #最大值减去最小值 max-min
normDataSet = zeros(shape(dataSet)) #创建一个和dataSet相同的0矩阵
m = dataSet.shape[0] #每行数据大小
normDataSet = dataSet - tile(minVals, (m, 1)) # 原向量减去最小值 oldvalue-min
normDataSet = normDataSet / tile(ranges, (m, 1)) #(oldvalue-min)/(max-min)
return normDataSet, ranges, minVals #归一化特征值, 最大值减去最小值, 最小值
def datingClassTest():
#分类器测试
hoRatio = 0.10
datingDataMat, datingLabels = file2matrix('C:/Users/lvcun/Desktop/datingTestSet2.txt') #解析数据
normMat, ranges, minVals = autoNorm(datingDataMat) #归一化特征值
m = normMat.shape[0] # 向量数量
numTestVecs = int(m*hoRatio) #百分之10 用来测试
errorCount = 0.0 #错误率
for i in range(numTestVecs): #对于每个测试数据
classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :], datingLabels[numTestVecs:m], 3) #计算距离 k-临近值
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)))
def classifyPerson():
reusltList = ['not at all', 'in small doses', 'in large doses']
percentTats = float(input('Percentage of time spent playing video games?'))
ffMiles = float(input('frequent flier miles earned per year ?'))
iceCream = float(input('liters of ice cream consumed per year'))
datingDataMat, datingLabels = file2matrix('C:/Users/lvcun/Desktop/datingTestSet2.txt')
normMat, ranges, minVals = autoNorm(datingDataMat) #归一化特征值
inArr = array([ffMiles, percentTats, iceCream])
classifierResult = classify0((inArr - minVals)/ ranges, normMat, datingLabels, 3)
print('you will probably like this person:', reusltList[classifierResult - 1])
classifyPerson()