文章目录
2.1概述
简单地说,K近邻算法采用测量不同特征值之间的距离方法进行分类。
K近邻算法
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:数值型和标称型。
本书讲解的第一个机器学习算法是& 近 邻 算 法 (_ ) , 它的工作原理是: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每一数据 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。
2.1.1准备:使用Python导入数据
创建一个kNN.py文件,添加下面的代码:
from numpy import *
#import numpy,如果使用numpy的属性都需要在前面加上numpy
#from numpy import *,则不需要加入numpy
import operator
'''
operator这个模块它包含了一系列高效的Python内置操作,
比如说对象之间的对比操作,逻辑操作,数学操作和序列操作。
'''
from os import listdir
'''
listdir函数在模块os中,主要功能是可以列出给定目录的文件名。
'''
def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels = ['A','A','B','B']
return group, labels
group,labels = createDataSet()
print(group)
print(labels)
结果输出如上所示
再将数据用散点图绘制出来,如下所示
2.1.2从文本文件中解析数据
k-近邻算法伪代码和实际Python代码:
对未知类别属性的数据集中的每个点依次执行以下操作:
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序;
3 选取与当前点距离最小的k个点;
4 确定前k个点所在类别的出现频率;
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。
执行程序代码如下所示
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
diffMat = tile(inX, (dataSetSize,1)) - dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort()
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
欧式距离公式计算两向量点间距离:
下面是几行计算欧氏距离所用的代码
ef classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
#计算出训练样本的列数,shape参数第一个是行第二个是列
diffMat = tile(inX, (dataSetSize,1)) - dataSet
#使用的是numpy包里的title函数,函数作用是按照某个方向复制元素,
#这里是将输入向量复制训练样本的行数,还是一列。
#在这里将扩展后的输入数据与训练样本做差,这里是列表对应元素进行直接相接。
#这个比C语言方便
sqDiffMat = diffMat**2
#差值取平方
sqDistances = sqDiffMat.sum(axis=1)
#矩阵的行向量相加
distances = sqDistances**0.5
#将加的结果开平方
预测数据所在分类:
kNN.classify0([0,0],group,labels,3)
输出结果为"B"
当然改变[0,0,]值,会得到不同的结果。
2.2示例:使用看k-近邻算法改进约会网站的配对效果
(1)收集数据:提供文本文件。
(2)准备数据: 使用python解析文本文件。
( 3 )分析数据:使用Matplotlib化画二维扩散图。
( 4)训练算法:此步驟不适用于卜近邻算法。
(5)测试算法:使用海伦提供的部分数据作为测试样本。
测试样本和非测试样本的区别在于:测试样本是已经完成分类的数据,如果预测分类
与实际类别不同,则标记为一个错误。
(6)使用算法:产生简单的命令行程序,然后海伦可以输入一些特征数据以判断对方是否
为自己喜欢的类型。
2.2.1准备数据:从文本文件中解析数据
添加下面的代码到kNN.py中:
def file2matrix(filename):
fr = open(filename)
numberOfLines = len(fr.readlines()) # get the number of lines in the file
returnMat = zeros((numberOfLines, 3)) # prepare matrix to return
classLabelVector = [] # prepare labels return
index = 0
for line in fr.readlines():
line = line.strip()
listFromLine = line.split('\t')
returnMat[index, :] = listFromLine[0:3]
classLabelVector.append(int(listFromLine[-1]))
index += 1
return returnMat, classLabelVector
1 打开文件,得到文件行数。
2 创建以零填充的矩阵NumPy。
3 循环处理文件中每行数据。
输入下面的命令:
import imp
imp.reload(kNN)
datingDataMat , datingLabels = kNN.file2matrix ( 'F:\\machinelearninginaction\\machinelearninginaction\\Ch02\\datingTestSet.txt ')
此外在执行这个函数之前,我们重新加载了KNN.py模块,以确保更新的内容可以生效,否则将继续使用上次加载的KNN模块
输出如下
2.2.2分析数据:使用matplotlib创建散点图
首先我们使用 中10«出制作原 数据的散点图
import kNN
import matplotlib
import matplotlib.pyplot as plt
datingDataMat,datingLabels = kNN.file2matrix('datingTestSet.txt')
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2])
plt.show()
散点图使用了读取矩阵的第二、第三列数据,分别表示特征值“玩视频游戏所耗时间百分比”和“每周所消费的冰淇淋公升数”。
修改一部分代码,使得到的散点图更具有可读性:
import kNN
from numpy import array
import matplotlib
import matplotlib.pyplot as plt
datingDataMat,datingLabels = kNN.file2matrix('datingTestSet.txt')
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels), 15.0*array(datingLabels))
plt.show()
2.2.3准备数据:归一化数值
def autoNorm(dataSet):
minVals = dataSet.min(0)
maxVals = dataSet.max(0)
ranges = maxVals - minVals
normDataSet = zeros(shape(dataSet))
m = dataSet.shape[0]
normDataSet = dataSet - tile(minVals, (m,1))
normDataSet = normDataSet/tile(ranges, (m,1)) #element wise divide
return normDataSet, ranges, minVals
我们将每列最小值放在变量minVals中,最大值放在变量maxVals中,其中dataSet.min(0)中的参数0使得函数可以从列中选取最小值,而不是选取当前行的最小值。然后,函数计算可能的取值范围,并创建新的返回矩阵。
import kNN
from numpy import array
import matplotlib
import matplotlib.pyplot as plt
datingDataMat,datingLabels = kNN.file2matrix('datingTestSet.txt')
normMat, ranges, minVals = kNN.autoNorm(datingDataMat)
print(normMat)
2.3示例:手写识别系统
2.3.1准备数据:将图像转换为测试向量
添加下列代码到kNN.py,将图像转换为向量:
def img2vector(filename):
returnVect = 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
测试函数功能:
import kNN
from numpy import array
import matplotlib
import matplotlib.pyplot as plt
testvector = kNN.img2vector('testDigits/0_13.txt')
test1 = testvector[0,0:31]
test2 = testvector[0,32:63]
print(test1)
print(test2)
2.3.2测试算法:使用k-近邻算法识别手写数字
将下列代码加入kNN.py中,主要功能是从os模块中导入函数listdir,它可以列出给定目录的文件名
def handwritingClassTest():
hwLabels = []
trainingFileList = listdir('trainingDigits') #load the training set
m = len(trainingFileList)
trainingMat = zeros((m,1024))
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0] #take off .txt
classNumStr = int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)
testFileList = listdir('testDigits') #iterate through the test set
errorCount = 0.0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0] #take off .txt
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)))
1 将trainingDigits目录的文件内容存储在列表中,然后可以得到目录中有多少文件,并将其存储在变量m中。
2 代码创建一个m行1024列的训练矩阵,该矩阵的每行数据存储一个图像。我们可以从文件名中解析出分类数字。该目录下的文件按照规则命名。
3 然后我们可以将类代码存储在hwLabels向量中,使用前面讨论的img2vector函数载入图像。
4 在下一步中,我们对testDigits目录中的文件执行相似的操作,不同之处是我们并不将这个目录下的文件载入矩阵 中,而是使用classify0()函数测试该目录下的每个文件。
进行函数运行测试,可以看到错误率为0.010571。
2.4小结
K-近邻算法,同名字一般就是在比较距离,比较测试样本数据与训练样本的距离。我们要做的就是想办法将数据的距离表达出来。之后对比距离,测试样本哪个训练样本近,我们就判断测试样本为那个训练样本同类。所以该算法关键在于找到距离的合适表达方式。