本博客记录《机器学习实战》(MachineLearningInAction)的学习过程,包括算法介绍和python实现。
kNN算法
kNN算法计算输入的新数据与样本集中所有数据的距离,取其中距离最近(特征最相似)的k个数据,用其中出现次数最多的分类作为新数据的分类。
数据准备
通常使用的数据从外部导入,但为了了解数据格式,书中还给出了直接创建简单数据集的方法。
# 创建简单数据集,数据集用numpy中的ndarray数组存储,标签用list存储
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
# 从文件中读取数据生成数据集
def file2matrix(filename):
fr = open(filename)
arrayOfLines = fr.readlines()
numberOfLines = len(arrayOfLines)
retMat = zeros((numberOfLines, 3))
classLabelVector = []
index = 0
for line in arrayOfLines:
line = line.strip()
listFromLine = line.split('\t')
retMat[index, :] = listFromLine[0:3]
classLabelVector.append(int(listFromLine[-1]))
index += 1
return retMat, classLabelVector
# 读取的数据集格式如下,数据中间用tab隔开
40920 8.326976 0.953952 3
14488 7.153469 1.673904 2
26052 1.441871 0.805124 1
算法实现
def classify0(inX, dataSet, labels, k):
"""
给定数据集以及输入数据,返回其kNN分类结果
inX -- 输入数据
dataSet -- 数据集
labels -- 标签集
k -- 算法参数
"""
dataSetSize = dataSet.shape[0]
# 计算距离
diffMat = tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances ** 0.5
# 距离排序
sortedDistIndices = distances.argsort()
# 字典存储k个最近邻数据中每个标签的分类次数,票数最多作为最后的分类
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndices[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
使用算法进行分类
这种直接计算欧氏距离的方法有一个问题,数据特征中较大的数值在距离计算中会占更大的比例,于是在分类时要先将数据归一化。
# 数据归一化
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))
return normDataSet, ranges, minVals
最后,对算法进行应用,读取一个数据集测试分类准确率。
def datingClassTest():
# 测试集所占比例
hoRatio = 0.1
# 读取数据集
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
# 数据归一化
normMat, ranges, minVals = autoNorm(datingDataMat)
m = normMat.shape[0]
numTestVecs = int(m*hoRatio)
errorCount = 0.0
for i in range(numTestVecs):
classifyResult = classify0(normMat[i, :], normMat[numTestVecs:m, :], datingLabels[numTestVecs:m], 5)
print("preditc:%d, answer: %d" % (classifyResult, datingLabels[i]))
if(classifyResult != datingLabels[i]):
errorCount += 1.0
print("error rate:%.2f" % (errorCount / numTestVecs))
最后输出的错误率是0.04,分类效果还是不错的,kNN算法的缺点很明显,因为每次要计算新数据与所有数据的距离,所以无法事先训练,算法的时间复杂度比较高,同时因为要把整个数据集读入内存进行计算,使得空间复杂度也很高。优点是算法简单,易于理解。