《机器学习实战》k-近邻算法

最新推荐文章于 2024-02-17 23:48:04 发布

擎子衿

最新推荐文章于 2024-02-17 23:48:04 发布

阅读量172

点赞数

分类专栏：机器学习文章标签：学习笔记

本文链接：https://blog.csdn.net/natalie_wang/article/details/103176758

版权

机器学习专栏收录该内容

10 篇文章 0 订阅

订阅专栏

本章内容：

k-近邻分类算法
从文本文件中解析和导入数据
使用Matplotlib创建扩散图

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

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：可以使用任何方式。
（4）训练算法：此步骤不适用于k-近邻算法。（无监督算法不需要训练这一步骤）
（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。

k-近邻算法伪代码

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。

示例1：在约会网站上使用k-近邻算法

（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画二维扩散图。
（4）训练算法：此步骤不适用于k-近邻算法。（无监督算法不需要训练这一步骤）
（5）测试算法：使用海伦提供的部分数据作为测试样本。
（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已判断对方是否为自己喜欢的类型。

'''
Created on 22/11/2019
kNN: k Nearest Neighbors
input: inX:用于分类的输入向量 (1*N)
        dataSet:输入的样本训练集（N*M）
        labels：标签向量（1*M）
        k：用于选择最近邻居的数目，其中标签向量的元素和矩阵dataSet的行数相同。
output：最可能的分类标签
'''

from numpy import *       #科学计算包Numpy
import operator           #运算符模块
import matplotlib
import matplotlib.pyplot as plt

def createDataSet():      #创建数据集
    group = array([[1.0,1.1],[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = ['A','A','A','B','B']
    return group,labels

def classify0(inX,dataSet,labels,k):
    dataSetSize = dataSet.shape[0]          #输出4
    #使用欧式距离公式求出两个向量点xA和xB之间的距离
    diffMat = tile(inX,(dataSetSize,1))- dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    # argsort函数返回的是数组值从小到大的索引值
    sortedDistIndicies = distances.argsort()  #输出为[2，3，1，0]
    classCount = {}     #创建字典,将classCount字典分解为元组列表
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        #这里还用到了dict.get(key, default=None)函数，key就是dict中的键voteIlabel，
        # 如果不存在则返回一个0并存入dict，如果存在则读取当前值并+1；
        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
    # items()将dict分解为元组列表，operator.itemgetter(1)表示按照第二个元素的次序对元组进行排序。
    # reverse=True 即按照从大到小的次序排序，这样最后输出sortedClassCount[0][0]
    # 即返回频率最高的标签。
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),
                              reverse=True)
    return sortedClassCount[0][0]

def file2matrix(filename):
    fr = open(filename)
    arrayOLines = fr.readlines()
    numberOfLines = len(arrayOLines)
    returnMat = zeros((numberOfLines,3))
    classLabelVector = []
    index = 0
    for line in arrayOLines:
        line = line.strip()  #截取掉所有的回车字符
        listFromLine = line.split('\t') #使用tab字符\t将上一步得到的整行数据分割成一个元素列表。
        returnMat[index,:] = listFromLine[0:3]
        classLabelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat,classLabelVector

# 准备数据：归一化数值
def autoNorm(dataSet):
    minVals = dataSet.min(0)    #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。
    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))
    return  normDataSet,ranges,minVals

# 分类器针对约会网站的测试代码
def datingClassTest():
    hoRatio = 0.10
    datingDataMat,datingLabels = file2matrix('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],4)
        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)))

# 使用算法：构建完整可用系统
def classifyPerson():
    resultList = ['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('datingTestSet2.txt')
    normMat, ranges, minVals = autoNorm(datingDataMat)
    inArr = array([ffMiles,percentTats,iceCream])
    classifierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels,3)
    print("You will probably like this person: ",resultList[classifierResult - 1])

if __name__ == "__main__":
    # group,labels = createDataSet()
    # print(group)
    # print(labels)
    # print(classify0([0,0],group,labels,3))

    # print(group.shape)  #输出为（4，2）
    # a = [0,0]
    # print(tile(a,(4,1))-group)
    # b = (tile(a,(4,1))-group)**2
    # print(b)
    # print(b.sum())
    # print(b.sum(axis=1))
    # print(b.sum(axis=1)**0.5)
    # c=b.sum(axis=1)**0.5
    # print(c.argsort())  #列表升序的索引

    # # 准备数据：从文本文件中解析数据
    # datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
    # print(datingDataMat)
    # print(datingLabels[:20])
    # # 准备数据：归一化数值
    # normMat,ranges,minVals = autoNorm(datingDataMat)
    # print(normMat)
    # print(ranges)
    # print(minVals)

    # 使用Matplotlib创建散点图
    # fig = plt.figure()
    # ax = fig.add_subplot(111)
    # ax.scatter(datingDataMat[:,1],datingDataMat[:,2],
    #            15.0*array(datingLabels),15.0*array(datingLabels)) #利用变量datingLabels
    #             # 存储的类标签属性，在散点图上绘制了色彩不等、尺寸不同的点。
    # bx = fig.add_subplot(111)
    # bx.scatter(datingDataMat[:,0], datingDataMat[:,1],
    #            10.0 * array(datingLabels), 10.0 * array(datingLabels))
    # plt.show()

    # # 分类器针对约会网站的测试代码
    # print(datingClassTest())

    # 约会网站预测函数
    print(classifyPerson())

示例2：手写识别系统

(1）收集数据：提供文本文件
（2）准备数据：编写函数img2vector(),将图像格式转换为分类器使用的。
（3）分析数据：在Python命令提示符中检查数据，确保它符合要求。
(4) 训练算法：此步骤不适用于k-近邻算法。
(5) 测试算法：编写函数使用提供的部分数据集作为测试样本，测试样本与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：本例没有完成此步骤，可以自行构建完整的应用程序，从图像中提取数字，并完成数字识别，美国的邮件分拣系统就是一个实际运行的类似系统。

from numpy import *       #科学计算包Numpy
import operator           #运算符模块
import matplotlib
import matplotlib.pyplot as plt
from os import listdir      #函数listdir可以列出给定目录的文件名
def classify0(inX,dataSet,labels,k):
    dataSetSize = dataSet.shape[0]          #输出4
    #使用欧式距离公式求出两个向量点xA和xB之间的距离
    diffMat = tile(inX,(dataSetSize,1))- dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    # argsort函数返回的是数组值从小到大的索引值
    sortedDistIndicies = distances.argsort()  #输出为[2，3，1，0]
    classCount = {}     #创建字典,将classCount字典分解为元组列表
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        #这里还用到了dict.get(key, default=None)函数，key就是dict中的键voteIlabel，
        # 如果不存在则返回一个0并存入dict，如果存在则读取当前值并+1；
        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
    # items()将dict分解为元组列表，operator.itemgetter(1)表示按照第二个元素的次序对元组进行排序。
    # reverse=True 即按照从大到小的次序排序，这样最后输出sortedClassCount[0][0]
    # 即返回频率最高的标签。
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),
                              reverse=True)
    return sortedClassCount[0][0]
# 准备数据：将图像转换为测试向量
def img2vector(filename):
    returnVect = zeros((1,1024))  # 32*32=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

# 测试算法：使用k-近邻算法识别手写数字
def handwritingClassTest():
    hwLabels = []
    trainingFileList = listdir('digits/trainingDigits') #列出该目录下的文件名
    m = len(trainingFileList)
    trainingMat = 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('digits/trainingDigits/%s'%fileNameStr)
    testFileList = listdir('digits/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('digits/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 error is: %d"%errorCount)
    print("\nthe total error rate is: %f"%(errorCount/float(mTest)))  
if __name__ == "__main__":
	# # 手写数字识别:将图像转换为测试向量
	# testVector = img2vector('digits/testDigits/0_13.txt')
	# print(testVector[0,0:31])
	# print(testVector[0,31:62])

	# 手写数字识别系统的测试
	print(handwritingClassTest())
	'''the total number of error is: 10
	    the total error rate is: 0.010571'''

擎子衿

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
《机器学习实战》k-近邻算法

本章内容：k-近邻分类算法从文本文件中解析和导入数据使用Matplotlib创建扩散图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：可以使用任何方式。（4）...
复制链接

扫一扫