说明
之前前看得书是图像处理,上周已经结束了,后面开始进入《机器学习实战》这本书的学习。书里提供了代码,后面就以书中代码为学习目标。去学习机器学习相关算法,学习相关代码的实现,理解书中给出的代码。
这个是书中代码讲解视频,里面说了怎么下载书中的代码。(之前照着书里敲出来有问题,所以后面才下载的代码)
代码是一张是一个文件,所以看得时候我们把看得对应的代码摘出来,不然一张的代码开始看起来就很容易让人头大。 一点个人建议。
K- 临近算法
算法具体原理参考《机器学习实战》学习笔记(一)
下面这部分代码主要是将我们现有的数据存到两个表里,方便之后使用。
训练样本集与标签存储
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)
输出如下:
[[1. 1.1]
[1. 1. ]
[0. 0. ]
[0. 0.1]]
['A', 'A', 'B', 'B']
将数据在散点图中表示出来
from matplotlib import pyplot as plt
#引入这个绘图库
plt.scatter(group[:,0],group[:,1])
plt.show()
K-近邻算法构造分类器
'''
K-近邻算法构造分类器
inx为分类的输人向量,输人的训练样本集为dataSet,标签向量为labels ,
K 表示用于选择最近邻居的数目.
其中标签向量的元素数目和矩阵dataSet的列数相同,个人觉得这个应该说的是;列数,
因为下面代码,有对行数进行扩展。
'''
def 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
#这几行代码就是在计算欧式距离,
sortedDistIndicies = distances.argsort()
#argsort的作用是对列表内的数据升序排列,
#并且给出按升序排列的数据在列表中的位置,相当于将列表的数据,按照从小到大
#依次输出对应的索引
classCount={}
#创建字典存储名称
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
#之前排序给出了由近到远的排序,这里相当去是取前k个距离最近的数据名称
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#get函数是返回字典classCount中voteIlabel元素对应的值,若无,则进行初始化,0为初始化
#后赋的值。
#这里是统计前k个中出现的次数,
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
#python字典中还存在items()方法。两者有些许区别。
#items方法是可以将字典中的所有项,以列表方式返回。
#iteritems方法与items方法相比作用大致相同,只是它的返回值不是列表,而是一个迭代器。
#返回一个可调用对象,用于从运算对象中获取元素,其实是采用运算对象的_getitem_()方法。如果指定了多个项目,返回一个元组形式。
#operator.itemgetter函数获取的不是值,而是定义了一个函数,通过该函数作用到对象上才能获取值。
'''
list = sorted(iterable, key=None, reverse=False)
其中,iterable 表示指定的序列,key 参数可以自定义排序规则;
reverse 参数指定以升序(False,默认)还是降序(True)进行排序。
sorted() 函数会返回一个排好序的列表。
注意,key 参数和 reverse 参数是可选参数,即可以使用,也可以忽略。
'''
return sortedClassCount[0][0]
#返回最合适的名称
result=classify0([0,0],group,labels,3)
print(result)
运行结果如下:
B
代码使用的是书中提供的,但由于Python版本变化,python3中iteritems()被items()代替了,所以代码要修改一下。
代码中最不好理解的是
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
他是调用了排序算法,然后传递的参数比较复杂。首先传递了字典中的所有项构成的列表,传递了一个获取值得函数,最后一个参数为选择排序的顺序是从大到小还是从小到大。
最好监控一下变量,查看一下变量值。
K-近邻算法改进约会网站
数据提取
解析数据,从现有文件得到数值。
代码如下:
def file2matrix(filename):
fr = open(filename)
#readlines可以按照行的方式把整个文件中的内容进行一次性读取,并且返回的是一个列表,
#其中每一行的数据为一个元素。
arrayOLines = fr.readlines()
#计算有多少行数据
numberOfLines = len(arrayOLines)
#返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
returnMat = zeros((numberOfLines,3))
#创建分类标签向量
classLabelVector = []
index = 0
#这里是以元素为循坏条件
for line in arrayOLines:
#s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
#该方法只能删除开头或是结尾的字符,不能删除中间部分的字符。
line = line.strip()
#使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
listFromLine = line.split('\t')
#将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
returnMat[index,:] = listFromLine[0:3]
#根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
if listFromLine[-1] == 'didntLike':
#append()方法将一个项目添加到列表的末尾
classLabelVector.append(1)
elif listFromLine[-1] == 'smallDoses':
classLabelVector.append(2)
elif listFromLine[-1] == 'largeDoses':
classLabelVector.append(3)
index += 1
return returnMat, classLabelVector
#if __name__ == '__main__':
#打开的文件名
filename = r"D:\python\exercise_data\machinelearninginaction\Ch02\datingTestSet.txt"
#打开并处理数据
datingDataMat, datingLabels = file2matrix(filename)
print(datingDataMat)
print(datingLabels)
输出结果如下:
代码没有很难理解的部分,主要的是循环变量的选择,非常巧妙
for line in arrayOLines:
直接提取出了每行的元素,便于后续的分解。
这部分代码实现的功能就是将数据文件提取出来,存储为程序便于计算的格式。
数据分析
将数据用绘制在图像中。
def showdatas(datingDataMat, datingLabels):
#设置汉字格式
font = FontProperties(fname=r"c:\windows\fonts\simhei.ttf", size=14)
#将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
#当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
# sharex 为ttrue时,子图共用x坐标
fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))
numberOfLabels = len(datingLabels)
LabelsColors = []
#也是用标签向量中的各个量做循环变量
for i in datingLabels:
if i == 1:
LabelsColors.append('black')
if i == 2:
LabelsColors.append('orange')
if i == 3:
LabelsColors.append('red')
#画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
#设置标题,x轴label,y轴label
#字符串前加 u,后面字符串以 Unicode 格式进行编码,一般用在中文字符串前面。
axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比',fontproperties=font)
axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数',fontproperties=font)
axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占',fontproperties=font)
#,setp()函数:设置对象属性或属性的取值要求、
# setp(obj, *args, **kwargs) args、**kwargs:需要设置的属性值。
plt.setp(axs0_title_text, size=9, weight='bold', color='red')
plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')
plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')
#画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
#设置标题,x轴label,y轴label
axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数',fontproperties=font)
axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数',fontproperties=font)
axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',fontproperties=font)
plt.setp(axs1_title_text, size=9, weight='bold', color='red')
plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')
plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')
#画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
#设置标题,x轴label,y轴label
axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数',fontproperties=font)
axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比',fontproperties=font)
axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数',fontproperties=font)
plt.setp(axs2_title_text, size=9, weight='bold', color='red')
plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')
plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')
#设置图例
didntLike = mlines.Line2D([], [], color='black', marker='.',
markersize=6, label='didntLike')
smallDoses = mlines.Line2D([], [], color='orange', marker='.',
markersize=6, label='smallDoses')
largeDoses = mlines.Line2D([], [], color='red', marker='.',
markersize=6, label='largeDoses')
#添加图例
axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
#显示图片
plt.show()
# font_address = []
#查看字体位置
# for font in font_manager.fontManager.ttflist:
# if font.name == "Arial":
# print(font.name,"-",font.fname)
# font_address= font.fname
# print(font_address)
# print(matplotlib.get_data_path())
showdatas(datingDataMat, datingLabels)
程序输出:
选择不同的数据组合方式,可以得到不同的效果。通过不同的数据组合,我们可以更加清楚的理解数据。
准备数据
归一化处理,在求取样本距离时,要进行做差,多个属性时,数字差值最大的属性对计算结果的影响最大。要是每个属性对计算结果的影响相同,就必须对数据进行归一化。
#归一化数据
def autoNorm(dataSet):
#获得数据的最小值
minVals = dataSet.min(0)
maxVals = dataSet.max(0)
#最大值和最小值的范围
ranges = maxVals - minVals
#shape(dataSet)返回dataSet的矩阵行列数
normDataSet = zeros(shape(dataSet))
#返回dataSet的行数
m = dataSet.shape[0]
#原始值减去最小值,tile是扩充函数
normDataSet = dataSet - tile(minVals, (m, 1))
#除以最大和最小值的差,得到归一化数据
normDataSet = normDataSet / tile(ranges, (m, 1))
#返回归一化数据结果,数据范围,最小值
return normDataSet, ranges, minVals
normDataSet, ranges, minVals = autoNorm(datingDataMat)
print(normDataSet)
print("\n")
print(ranges)
print("\n")
print(minVals)
输出结果
以上是归一化结果,数据都在0-1之间。
测试算法
将所有数据分成两部分,一部分做为训练样本,剩余一部分作为测试样本,对比程序输出结果与原始数据是否一致。
#测试算法
def datingClassTest():
#打开的文件
filename = "D:\python\exercise_data\machinelearninginaction\Ch02\datingT
#将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
datingDataMat, datingLabels = file2matrix(filename)
#取所有数据的百分之十
hoRatio = 0.10
#数据归一化,返回归一化后的矩阵,数据范围,数据最小值
normMat, ranges, minVals = autoNorm(datingDataMat)
#获得normMat的行数
m = normMat.shape[0]
#百分之十的测试数据的个数
# 强制转换为整数
numTestVecs = int(m * hoRatio)
#分类错误计数
# 后面要进行相除,所以
errorCount = 0.0
for i in range(numTestVecs):
#前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
# Mat[:,1] 就是取所有行的第1列的元素。Mat[1,:]取矩阵的第1行的所有元
classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],
datingLabels[numTestVecs:m], 4)
print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i
if classifierResult != datingLabels[i]:
errorCount += 1.0
print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))
datingClassTest()
输出结果:
使用算法
算法验证过后,我们根据需要输入数据,将输入数据作为测试集,即可得到测试结果。
def classifyPerson():
#输出结果
resultList = ['讨厌','有些喜欢','非常喜欢']
#三维特征用户输入
precentTats = float(input("玩视频游戏所耗时间百分比:"))
ffMiles = float(input("每年获得的飞行常客里程数:"))
iceCream = float(input("每周消费的冰激淋公升数:"))
#打开的文件名
filename = "D:\python\exercise_data\machinelearninginaction\Ch02\datingTestSet.txt"
#打开并处理数据
datingDataMat, datingLabels = file2matrix(filename)
#训练集归一化
normMat, ranges, minVals = autoNorm(datingDataMat)
#生成NumPy数组,测试集
inArr = array([precentTats, ffMiles, iceCream])
#测试集归一化
norminArr = (inArr - minVals) / ranges
#返回分类结果
classifierResult = classify0(norminArr, normMat, datingLabels, 3)
#打印结果
print("你可能%s这个人" % (resultList[classifierResult-1]))
classifyPerson()
输出结果如下:
手写识别系统
数据准备
这里的原始数据变为了手写图像,根据之前数字图像处理的学习可知,图像本质就是一些数组。我们这里先将图像二维数组转到一维列表中。
def img2vector(filename):
#创建1x1024零向量
returnVect = np.zeros((1, 1024))
#打开文件
fr = open(filename)
#按行读取
for i in range(32):
#读一行数据
lineStr = fr.readline()
#每一行的前32个元素依次添加到returnVect中
for j in range(32):
returnVect[0, 32*i+j] = int(lineStr[j])
#返回转换后的1x1024向量
return returnVec
原文件为上图,可以看做是将数字零图像的二值图像的数字表示。
程序运行后如下
可以看到被存为了一维数组中。
使用算法
直接使用了Python带的kNN算法。程序主要是在对数据进行前期准备时的处理,将数据从文件中读到程序中。
def handwritingClassTest():
#测试集的Labels
hwLabels = []
#返回trainingDigits目录下的文件名
trainingFileList = listdir(r'D:\python\exercise_data\machinelearninginaction\Ch
#返回文件夹下文件的个数
m = len(trainingFileList)
#初始化训练的Mat矩阵,测试集
trainingMat = zeros((m, 1024))
#从文件名中解析出训练集的类别
for i in range(m):
#获得文件的名字
fileNameStr = trainingFileList[i]
#获得分类的数字
#分割后返回数组,取第一个就是名称
classNumber = int(fileNameStr.split('_')[0])
#将获得的类别添加到hwLabels中
hwLabels.append(classNumber)
#将每一个文件的1x1024数据存储到trainingMat矩阵中
trainingMat[i,:] = img2vector(r'D:\python\exercise_data\machinelearninginac
#构建kNN分类器这里是直接调用了现有KNN函数
neigh = kNN(n_neighbors = 3, algorithm = 'auto')
#拟合模型, trainingMat为测试矩阵,hwLabels为对应的标签
neigh.fit(trainingMat, hwLabels)
#返回testDigits目录下的文件列表
testFileList = listdir(r'Ch02\testDigits')
#错误检测计数
errorCount = 0.0
#测试数据的数量
mTest = len(testFileList)
#从文件中解析出测试集的类别并进行分类测试
for i in range(mTest):
#获得文件的名字
fileNameStr = testFileList[i]
#获得分类的数字
classNumber = int(fileNameStr.split('_')[0])
#获得测试集的1x1024向量,用于训练
vectorUnderTest = img2vector('Ch02\testDigits/%s' % (fileNameStr))
#获得预测结果
# classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
classifierResult = neigh.predict(vectorUnderTest)
print("分类返回结果为%d\t真实结果为%d" %(classifierResult, classNumber))
if(classifierResult != classNumber):
errorCount += 1.0
print("总共错了%d个数据\n错误率为%f%%" %(errorCount, errorCount/mTest * 100))
handwritingClassTest()
程序输出
总结
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。