机器学习第二章 K近邻算法

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。