k-近邻算法(kNN)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,只选择样本集中前 k 个最相似的数据,通常 k 是不大于20的正式。
k-近邻算法(kNN)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。
下面开始算法流程:
(本文是在jupyter中完成,文末有完整代码)
一、准备:简易的导入数据及可视化
from numpy import * #科学计算包
import operator #运算符模块
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
这里有4组数据,每组数据有两个我们已知的属性或者特征值。
由于人脑的限制,通常我们只能可视化处理三维以下的事物。因此为了简单的实现数据可视化,对于每个数据点我们通常只使用两个特征。我们将数据点(1,1.1)定义为A类,数据点(0,0.1)定义为B类。
附上绘图代码:
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
group,labels = createDataset()
data = pd.DataFrame(group,labels)
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
plt.scatter(data[0],data[1])
#以下是描述坐标点
plt.title('A B 坐标图')
ax.text(0.95,0.98,'A')
ax.text(0.95,1.08,'A')
ax.text(0.02,-0.01,'B')
ax.text(0.02,0.08,'B')
学会了python的基本导入数据,解析数据以及简单的可视化。
二、实施kNN分类算法
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)按距离递增次序排列;
(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。
python代码如下:
classify0()函数有4个参数:
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
其中,标签向量的元素数目和矩阵dataSet的行数相同。
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0] #训练样本集的行数
diffMat = tile(inX, (dataSetSize,1)) - dataSet #diffMat为“特征差”
#tile使需要分类的向量(inX)的行数与dataSet相同。
sqDiffMat = diffMat**2 # “特征差” 平方
sqDistances = sqDiffMat.sum(axis=1) #按行方向求和
distances = sqDistances**0.5 #开2次根
#距离计算结束
sortedDistIndicies = distances.argsort() #从小到大排列,提取其对应的index(索引)
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]] #得到最近距离的标签
calssCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 #标签值加1
sortedClassCount = sorted(classCount.items(),\
key = operator.itemgetter(1),\
reverse = True)
#classCount.items() 将字典中的所有项,以列表方式返回
#sorted参数key=operator.itemgetter(1)表示根据标签值排序
#reverse=True(bool) 降序排列
return sortedClassCount[0][0]
预测数据所在分类:
classify0([2,1],group,labels,3)
到目前为止,第一个分类器已经构造。我们可以根据这个分类器完成很多分类任务,根据这个分类器也可以构造更多分类算法。
三、测试分类器
检验分类器给出的答案是否符合预期值,答案是否不会出错。很显然,分类器不会百分之白保证结果正确,我们可以使用多种方法检测分类器的正确率。比如我们使用已知答案的数据集去测试,通过大量的测试数据,可以得到错误率(错误结果的次数 / 测试次数)。
不同的算法在不同数据集上的表现可能完全不同。
附上完整代码:
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
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]
**
示例一:使用kNN算法改进约会网站的配对效果
**
1.从文本文件解析数据
训练样本:datingTestSet2.txt
链接:https://pan.baidu.com/s/1KjHfyd52pguOV9Q6LY0Vgw 密码:m4ui
将文本记录转换为NumPy的解析程序:
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines() #读取整个文件所有行,保存在一个列表(list)变量中
numberOfLines = len(arrayOLines) #获取文件行数
returnMat = zeros((numberOfLines,3)) #创建对应的零矩阵
classLabelVector = []
index = 0
for line in arrayOLines:
line = line.strip() #删除 表示开头或结尾的字符
listFromLine = line.split('\t') #根据水平制表符(\t)切片
returnMat[index,:] = listFromLine[0:3]
classLabelVector.append(int(listFromLine[-1]))
index += 1
return returnMat,classLabelVector
代码的思想是,首先我们要知道文本文件有多少行。打开文件,获取文件的行数。创建以零填充的矩阵NumPy。循环处理文件中的每行数据,首先使用 line.strip() 截取掉所有回车字符,然后使用tab字符(制表符 \t)将整行数据分割为一个元素列表。需要的注意的是,我们应该明确的告诉解释器列表中存储的元素值类型,不解释则以字符串来处理。
获取数据:
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
2.数据可视化
用散点图来观察数据。
这里选取的是数据的第2行和第3行来观察。
再选取第1行和第2行观察。
很明显第二幅图更好的反映数据。
所以有时候数据的选取对于观察有很大的影响。
单单通过图形化数据无法得出我们想要的准确分析以及结果,我们需要进行下一步计算。
绘图代码:
#选取第2行和第3行
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1], datingDataMat[:,2],\
15.0*array(datingLabels), 15.0*array(datingLabels))
#选取第1行和第2行
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,0], datingDataMat[:,1],\
15.0*array(datingLabels), 15.0*array(datingLabels))
3.归一化数值
特征值之间的数字差值会对计算结果产生很大的影响,差值越大影响越大。比如我们有两个特征值分别是 飞行距离:1300 ,玩ps游戏所占时间百分比: 0.2 。很显然,飞行距离对计算结果的影响是很大的,这时候就需要对数据进行归一化,将取值范围统一到 0到1 之间。
计算公式:newValue = (oldValue - min)/(max - min)
即是(特征值与最小特征值)之间的差值 与 (最大特征值与最小特征值)之间的差值 的(比值)。
def autoNorm(dataSet):
minValue = dataSet.min(0) #参数0是从列选取最小值,返回一个数组
maxValue = dataSet.max(0)
ranges = maxValue - minValue #max - min
normDataSet = zeros(shape(dataSet))
m = dataSet.shape[0] #获取行总数
normDataSet = dataSet - tile(minvalue,(m,1)) #oldValue - min
normDataSet = normDataSet/tile(ranges,(m,1))
return normDataSet,ranges,minvalue
4.测试算法
使用错误率来检验算法。
def datingclassTest(filename):
hoRatio=0.10 #测试比例
datingDataMat,datingLabels = file2matrix(filename)
normMat, ranges, minvalue = 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], 3)
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)))
在 m = normMat.shape[0] 这一步,便决定来用来测试和训练的样本集的数量。
可以改变hoRatio的值 以及变量 k 的值来检测错误率是否随着变量值变化而增加。
5.使用算法
使用算法时便根据具体的运用编写具体的代码。
参考资料:机器学习实战