K-近邻算法
1.1 k近邻算法概述
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。优点是精度高、对异常值不敏感、无数据输入假定;缺点是计算复杂度高、空间复杂度高。适用数据范围:数值型和标称型。
k近邻算法的工作原理: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。输入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。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k近邻算法中的k,通常k是不大于20的整数。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。
k近邻算法的一般流程
(1)收集数据:可以使用任何方法。
(2)准备数据:距离计算所需要的数值,最好是结构化的数据格式。
(3)分析数据:可以使用任何方法。
(4)训练算法:此步骤不适用于k-近邻算法。
(5)测试算法:计算错误率。
(6)使用算法:首先需要输入样本数据和结构化的输出结果,然后运行k-近邻算法判定输入数据分别属于哪个分类,最后应用对计算出的分类执行后续的处理。
1.1.1 使用python导入数据
创建一个kNN.py的文件,增加以下代码:
from numpy import *
import operator
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
其中,导入了科学计算包NumPy和运算符模块,函数createDataSet()是用来创建数据集和标签的,group矩阵每行包含一个不同的数据,使用两个特征,向量label包含每个数据点的标签信息,label包含的元素个数等于group矩阵行数。
1.1.2 实施kNN分类算法
使用k-近邻算法将每组数据划分到某个类中,伪代码如下:
(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。
classify0()函数中有四个输入参数:inX、dataSet、labels、k
inX:用于分类的输入向量
dataSet:输入的训练样本集
labels:标签向量
k:用于选择最近邻居的数目
标签向量的元素数目和矩阵dataSet的行数相同
使用欧氏距离公式,计算两个向量点xA和xB之间的距离:
计算完所有点的距离之后,对数据按照从小到大的次序排序。然后,确定前k个距离最小元素所在的主要分类,输入k总是正整数;最后,将classCount字典分解为元组列表,然后使用程序第二行导入运算符模块的items方法(在python3中没有itemgetter这个属性了,直接用items就可以),按照第二个元素的次序对元组进行排序,此处的排序为逆序,即按照从最大到最小次序排序,最后返回发生频率最高的元素标签。
代码如下:
def classify0(inX,dataSet,labels,k):
dataSetSize = dataSet.shape[0]
#计算距离
diffMat = tile(inX,(dataSetSize,1))-dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
distance = sqDistances**0.5
#选择距离最小的k个点
#argsort()函数:按照递增次序排序
sortedDistIndicies = distance.argsort()
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
#排序
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
return sortedClassCount[0][0]
以下是对用到方法的理解:
tile(A,n):将数组A重复n次,构成一个新的数组
axis:这里是用于sum的,设置axis=1是按照横轴进行下去(axis=0就是竖轴)
argsort():对数组中的元素从小到大排序,并返回相应序列元素的数组下标
get()在以上的用法如下
classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
使得与如下代码效果一致
classCount[voteIlabel] = 0 classCount[voteIlabel] = classCount[voteIlabel]+1
items():将classCount字典分解为元组列表
itemgetter(1):通过classCount.items()这个元组列表的第二个域排序
sorted()函数默认升序排序,这里需要降序因此要 reverse=True
分类算法完成后来测试一下,输入代码,预测输出结果是B
a=classify0([0,0],group,labels,3)
print(a)
运行结果如图,结果符合预期
1.2 示例:使用K-近邻算法分类爱情片和动作片
电影名称 | 打斗镜头 | 接吻镜头 | 电影类型 |
电影A | 3 | 104 | 爱情片 |
电影B | 2 | 100 | 爱情片 |
电影C | 1 | 81 | 爱情片 |
电影D | 101 | 10 | 动作片 |
电影E | 99 | 10 | 动作片 |
电影F | 98 | 2 | 动作片 |
据表1中可以看出,接吻镜头多的是爱情片;打斗镜头多的是动作片。通过比较打斗镜头和接吻镜头多少来判断电影类型,打斗镜头与接吻镜头就可以看作两个特征。给出未知的电影类型,我们可以根据打斗镜头和接吻镜头进行判断,这个电影是属于爱情片还是动作片。K-近邻算法就可根据这些特征来算出电影的类型。
1.2.1 数据准备
先展示代码:
from numpy import *
import operator
# 训练样本集以及对应的类别
def createDateSet():
group = array([[3, 104], [2, 100], [1, 81], [101, 10], [99, 5], [98, 2]])
labels = ['Love', 'Love', 'Love', 'Action', 'Action', 'Action']
return group, labels
①用 i ( i = 1,2,3,4,5,6)表示电影A、B、C、D、E、F,即给电影排序;
②用一维数组labesl[i]表示第i部电影的电影类型:
labels[1] = labels[2] = labels[3] = 'Love'、 labels[4] = labels[5] = labels[6] = 'Action';
③用二维数组group[i,j]表示第i部电影的电影打斗镜头和接吻镜头:
group[i,j] = [3,104]、group[i,j] = [2,100]、group[i,j] = [1,81]
group[i,j] = [101,10]、group[i,j] = [99,5]、group[i,j] = [98,2]
1.2.2 实施kNN分类算法
整个流程都与类似,具体的函数功能也在上面,就不再重复了。下面解释一下上文未提及的欧式距离公式的代码
公式:
代码如下:
diffMat = tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances ** 0.5
dataSet是一个二维数组,输入的分类向量inX是一维数组,用tile函数把inX重复六行,且每列一个inX,从而获得一个二维数组diffMat,保证inX变成能与dataSet相减的二维数组的,从而获得[x1-x2,y1-y2]的二维数组。二维数组sqDiffMat用于保存了二维数组diffMat平方值,即是二维数组[(x1-x2)^2,(y1-y2)^2]的值。然后在对sqDiffMat求和,axis=1后,即获得(x1-x2)^2+(y1-y2)^2值,存于一维数组sqDistances。sqDistances开平方就得到了一维数组distances。
分类算法也是一样的,代码如下:
def classify(inX, dataSet, labels, k):
# dataSetSize是训练样本集数量
dataSetSize = dataSet.shape[0]
# 距离计算——欧式距离公式
# tile函数,把inX变成能与dataSet相减的二维数组
diffMat = tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
# axis=1是列相加求和,即得到(x1-x2)^2+(y1-y2)^2的值
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances ** 0.5
# 按照距离递增次序排序,返回下标
sortedDistIndicies = distances.argsort()
# 选择距离最小的k个点
classCount = {}
for i in range(k):
voteILabel = labels[sortedDistIndicies[i]]
classCount[voteILabel] = classCount.get(voteILabel, 0) + 1
# 按照字典里的关键字的值排序,reverse=True降序排序
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
# 返回类别最多的标签
return sortedClassCount[0][0]
写一个测试代码:
i = 0
print("训练样本集")
group, labels = createDateSet()
for item in group:
print('电影%c:打斗镜头%3d次 接吻镜头%3d次 电影类型 %s' % (chr(ord('A') + i), item[0], item[1], labels[i]))
i += 1
print("\n测试数据集")
myTests = array([[18, 90], [20, 66], [50, 23]])
myLabels = []
for i in range(3):
myLabels.append(classify(myTests[i], group, labels, 3))
print('电影%c:打斗镜头%3d次 接吻镜头%3d次 电影类型 %s' % (
chr(ord('1') + i), myTests[i][0], myTests[i][1], myLabels[i]))
上面一段是先将训练样本集全部输出,后面自己写几个测试数据,根据打斗镜头和接吻镜头这两个特征判断,用kNN算法算出的与预测的一样,运行结果如下
运行结果展示
1.3实验小结
实验中遇到的问题:
解决方法:根据书上kNN算法来写,在将classCount字典分解为元组列表功能用itemgetter()函数解决,但在python3中没有itemgetter这个属性了,直接用items就可以