k-近邻算法
1. k-近邻算法概述
该算法采用测量不同特征值之间的距离方法进行分类。
- 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、空间复杂度高。
- 适用数据范围:数值型和表称型。
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之后,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T恤样本集中特征最近似数据(最近邻)的分类标签。一般来说只选择样本数据集中前k个最相似的数据,通常k是不大于20的正整数。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。
如何测试分类器:
通过大量的测试数据,我们可以得到分类器的错误率——分类器给出错误结果的次数除以测试执行的总数。错误率是常用的评估方法,主要用于评估分类器在某个数据集上的执行效果。
2. 最近邻算法示例
2.1 示例一——使用k-近邻算法改进约会网站的配对效果
- 三种类型:不喜欢的——1,魅力一般的——2,极具魅力的——3。
- 样本特征:每年获得的飞行常客里程数,玩视频游戏所耗时间百分比,每周消费的冰淇淋公升数。
导入数据集源码部分:
from numpy import *
import operator
from os import listdir
#读取数据
def file2matrix(filename):
fr = open(filename)
numberOfLines = len(fr.readlines()) #得到文件行数
returnMat = zeros((numberOfLines,3)) #创建返回的特征矩阵
classLabelVector = [] #创建返回的标签数组
fr = open(filename)
index = 0
for line in fr.readlines(): #解析文件数据到列表
line = line.strip() #截取掉所有的回车符
listFromLine = line.split('\t') #使用tab字符\t将整行数据分割成一个元素列表
returnMat[index,:] = listFromLine[0:3] #选取前三个元素到特征矩阵中
classLabelVector.append(int(listFromLine[-1])) #将最后一列存储到标签数组
index += 1
return returnMat,classLabelVector
2.1.1 导入数据集
在Python命令提示符下输入下面命令:
>>>import kNN
>>>datingDataMat, datingLabels = kNN.file2matrix('datingTestSet2.txt')
注意引入的文件是datingTestSet2.txt
进行结果测试:
>>>datingDataMat
array([[4.0920000e+04, 8.3269760e+00, 9.5395200e-01],
[1.4488000e+04, 7.1534690e+00, 1.6739040e+00],
[2.6052000e+04, 1.4418710e+00, 8.0512400e-01],
…,
[2.6575000e+04, 1.0650102e+01, 8.6662700e-01],
[4.8111000e+04, 9.1345280e+00, 7.2804500e-01],
[4.3757000e+04, 7.8826010e+00, 1.3324460e+00]])
>>>datingLabels[0:20]
[3, 2, 1, 1, 1, 1, 3, 3, 1, 3, 1, 1, 2, 1, 1, 1, 1, 1, 2, 3]
以上表示已经成功从数据集中导入数据。
2.1.2 分析数据:使用Matplotlib创建散点图
在Python命令提示符下输入下面命令:
>>>import matplotlib
>>>import matplotlib.pyplot as plt
>>>fig = plt.figure()
>>>ax = fig.add_subplot(111)
>>>ax.scatter(datingDataMat[:,1], datingDataMat[:,2])
>>>plt.show()
效果图:
以上散点图中,横坐标代表玩视频游戏所耗时间百分比,纵坐标表示每周消费的冰淇淋公升数。
以上的散点图并没有明显的数据模式信息,所以采用scatter函数来标识不同类别的散点,代码如下:
>>>import matplotlib
>>>import matplotlib.pyplot as plt
>>>fig = plt.figure()
>>>ax = fig.add_subplot(111)
>>>ax.scatter(datingDataMat[:,1], datingDataMat[:,2], >>>15.0*array(datingLabels), 15.0*array(datingLabels))
>>>plt.show()
分别用三种颜色来代表三种类型。
2.1.3 归一化数值
在这个示例中有三个不同的特征,并且其中“每年获得的飞行常客里程数”的数据大小与其他两个的大小差距很大,在处理这种不同取值范围的特征值时,通常采用数值归一化,**例如将取值范围处理为0-1或者-1-1之间。**公式为:newValue = (oldValue - min ) / (max - min)。
示例代码: