k-近邻算法【鸢尾花分类】
工作原理
存在一个样本数据集合,也称做训练样本集,并且样本集中每个数据集合,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猴,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,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于的整数。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。
属性
优点:精度高、对异常值不敏感、无数据输入限定
缺点:计算复杂度高,空间复杂度高;k-近邻算法必须保存全部数据集,如果训练数据集的很大,必须使用大量的存储空间。此外,由于必须对数据集中的每个数据计算距离值,实际使用时可能非常耗时。k-近邻算法的另一个缺陷是它无法给出任何数据的基础结构信息,因此我们业无法知晓平均实例样本和典型实例样本具有什么特征,我们可以使用概率测量方法处理分类问题。
使用数据范围:数值型和标称型
一般流程
- 收集数据:可以使用任何方法
- 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
- 分析数据:可以使用任何方法
- 训练算法:此步骤不适用于k-近邻算法
- 测试算法:计算错误率
- 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
实施
对未知类别属性的数据集中的每个点一次执行以下操作:
- 计算已知类别数据集中的点与当前点之间的距离
- 按照距离递增次序排序
- 选取与当前点距离最小的k个点
- 确定前k个点躲在类别的出现频率
- 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
功能:kNN核心算法
intX - 输入向量,dataSet - 输入训练样本集,labels - 标签向量,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的行数相同
def classify0(inX,dataSet,labels,k):
#欧式距离的计算
print(inX.shape[0])#数据的行数
print("----------")
print(dataSet.shape[0])
dataSetSize=dataSet.shape[0]
diffMat= np.tile(inX, (dataSetSize, 1)) - dataSet #将输入向量inX纵向重复dataSet的行数次
sqDiffMat=diffMat**2
sqDistances=sqDiffMat.sum(axis=1)# 每行数据相加
distances=sqDistances**0.5#得到训练样本集每一点与当前点的距离
sortedDistIndicies=distances.argsort()
classCount={}
for i in range(k):
votaIlabel=labels[sortedDistIndicies[i]]#最近K个的距离对应的类别
classCount[votaIlabel]=classCount.get(votaIlabel,0)+1#类别分别出现的概率
sortedClassCount=sorted(classCount.items(),
key=operator.itemgetter(1),reverse=True)#选择发生频率最高的元素标签
return sortedClassCount[0][0]
鸢尾花分类
流程
- 收集数据:提供文本文件或者直接运用python中的数据集
- 准备数据:使用python解析文本文件
- 分析数据:使用Matplotlib画二维扩散图
- 训练算法:此步骤不适用于k-近邻算法
- 测试算法:有规律或随机地使用样本数据作为测试样本。测试样本和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。
- 使用算法:产生简单的命令行程序,然后我们可以输入一些特征数据以判断鸢尾花的类型
1.准备数据:文本转换
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberofLines = len(arrayOLines) #计算文件总行数
returnMat = np.zeros((numberofLines,4))
#np.zeros((m,n)) 创建m行,n列的由0填充的矩阵
classLabelVector = []
index = 0
#这里改了一改,发现机器学习书里代码有问题
for line in arrayOLines:
line = line.strip()
#以逗号为分割点
listFromLine = line.split(",")
#有四个数据
returnMat[index,:] = listFromLine[0:4]
#将标签转换为数字便于记录
if listFromLine[-1] == "Iris-setosa":
classLabelVector.append(int(1))
elif listFromLine[-1] == "Iris-versicolor":
classLabelVector.append(int(2))
elif listFromLine[-1] == "Iris-virginica":
classLabelVector.append(int(3))
index +=1
return returnMat,classLabelVector
2.分析数据:使用Matplotlib创建散点图
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:, 0], datingLabels)
ax.scatter(datingDataMat[:, 1], datingLabels)
ax.scatter(datingDataMat[:, 2], datingLabels)
ax.scatter(datingDataMat[:, 3], datingLabels)
plt.show()
3.准备数据:归一化数值
在处理不同取值范围的特征值时,我们通常采用的方法是将数值归一化,比如将取值范围处理为到1或者-1到1之间。下面公式可以将任意取值范围的特征值
newValue=(oldValue-min)/(max-min)
def autoNorm(dataSet):
minVals=dataSet.min(0)#取列值的最小值
maxVals=dataSet.max(0)#取列值的最大值
ranges=maxVals-minVals
normDataSet=np.zeros(np.shape(dataSet))
m=dataSet.shape[0]
normDataSet=dataSet-np.tile(minVals,(m,1))
normDataSet=normDataSet/np.tile(ranges,(m,1))
return normDataSet,ranges,minVals
4.测试算法:作为完整程序验证分类器
首先使用file2matric和autoNorm()函数从文件中读取数据并将其转换为归一化特征值。接着九三测试向量的数量,此步决定了normMat向量中哪些数据用于测试,哪些数据用于分类器的训练样本;然后将着两部分数据输入到原始kNN分类器函数classify0。最后,函数计算错误率并输出结果。注意此处我们使用原始分类器。
def datingClassTest():
hoRatio = 0.10
datingDataMat,datingLabels=file2matrix('iris.txt')
normMat,ranges,minVals=autoNorm(datingDataMat)
m=normMat.shape[0]
numTestVecs=int(m*hoRatio)
errorCount=0.0
for i in range(1,10):
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)))
5.使用算法:构建完整可用体系
下列程序清单中的大部分代码我们在前面都见到过,唯一新加入的代码是函数raw_input()。该函数允许用户输入文本行命令并返回用户所输入的命令。
def classifyPerson():
resultList = ['Iris-setosa','Iris-versicolor','Iris-virginica']
sl = float(raw_input("how long:"))
sw = float(raw_input("how width:"))
pl = float(raw_input("how edge long:"))
pw = float(raw_input("how edge width:"))
datingDataMat,datingLabels = file2matrix('iris.txt')
normMat,ranges,minVals=autoNorm(datingDataMat)
inArr = np.array([sl,sw,pl,pw])
classifierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels,3)
print("the result is "+(resultList[classifierResult-1]))
完整代码1【十折交叉验证法】
以下代码运用了十折交叉验证法,它将数据集分成十份,轮流将其中9份做训练1份做测试,10次结果的均值作为对算法精度的估计
import operator
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
#k-近邻算法
from pip._vendor.distlib.compat import raw_input
def classify0(inX,dataSet,labels,k):
print(inX.shape[0])
print("----------")
print(dataSet.shape[0])
dataSetSize=dataSet.shape[0]
diffMat= np.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):
votaIlabel=labels[sortedDistIndicies[i]]
classCount[votaIlabel]=classCount.get(votaIlabel,0)+1
sortedClassCount=sorted(classCount.items(),
key=operator.itemgetter(1),reverse=True)
return sortedClassCount[0][0]
#文件转换
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberofLines = len(arrayOLines) #计算文件总行数
returnMat = np.zeros((numberofLines,4))
#np.zeros((m,n)) 创建m行,n列的由0填充的矩阵
classLabelVector = []
index = 0
#这里改了一改,发现机器学习书里代码有问题
for line in arrayOLines:
line = line.strip()
listFromLine = line.split(",")
returnMat[index,:] = listFromLine[0:4]
if listFromLine[-1] == "Iris-setosa":
classLabelVector.append(int(1))
elif listFromLine[-1] == "Iris-versicolor":
classLabelVector.append(int(2))
elif listFromLine[-1] == "Iris-virginica":
classLabelVector.append(int(3))
index +=1
return returnMat,classLabelVector
#归一化数值
def autoNorm(dataSet):
minVals=dataSet.min(0)
maxVals=dataSet.max(0)
ranges=maxVals-minVals
normDataSet=np.zeros(np.shape(dataSet))
m=dataSet.shape[0]
normDataSet=dataSet-np.tile(minVals,(m,1))
normDataSet=normDataSet/np.tile(ranges,(m,1))
return normDataSet,ranges,minVals
def classifyPerson():
resultList = ['Iris-setosa','Iris-versicolor','Iris-virginica']
sl = float(raw_input("how long:"))
sw = float(raw_input("how width:"))
pl = float(raw_input("how edge long:"))
pw = float(raw_input("how edge width:"))
datingDataMat,datingLabels = file2matrix('iris.txt')
normMat,ranges,minVals=autoNorm(datingDataMat)
inArr = np.array([sl,sw,pl,pw])
classifierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels,3)
print("the result is "+(resultList[classifierResult-1]))
#分类器测试代码
def datingClassTest():
hoRatio = 0.10
datingDataMat,datingLabels=file2matrix('iris.txt')
normMat,ranges,minVals=autoNorm(datingDataMat)
m=normMat.shape[0]
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:, 0], datingLabels)
ax.scatter(datingDataMat[:, 1], datingLabels)
ax.scatter(datingDataMat[:, 2], datingLabels)
ax.scatter(datingDataMat[:, 3], datingLabels)
plt.show()
numTestVecs=int(m*hoRatio)
errorCount=0.0
#功能:十折交叉验证
#思路:将数据集分成十份,轮流将其中9份做训练1份做测试,10次结果的均值作为对算法精度的估计
#一般还要进行多次10倍交叉验证
for i in range(1,11):
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)))
if __name__ == '__main__':
datingClassTest()
classifyPerson()
【随机测试】
datingClassTest()修改如下:
def datingClassTest():
hoRatio = 0.10
filepath = 'iris.txt' # 数据文件路径
data = np.loadtxt(filepath, delimiter=',', dtype=float, converters={4: iris_type})
x, y = np.split(data, (4,),axis=1)
y = [int(n) for a in y for n in a]
y = np.array(y)
x_train, x_test, y_train, y_test = train_test_split(x, y,test_size=0.8, random_state=0)
datingDataMat=x_train
datingLabels=y_test
normMat,ranges,minVals=autoNorm(datingDataMat)
nnormMat, rranges, mminVals = autoNorm(x_test)
m=normMat.shape[0]
numTestVecs=int(m*hoRatio)
errorCount=0.0
for i in range(1,3):
classifierResult=classify0(nnormMat[i,:],normMat[1:,:],datingLabels[1:],3)
# print("the classifier came back with:%d,the real answer is:%d"%(classifierResult,datingLabels[i]))
if(classifierResult!=y_train[i]):errorCount+=1.0
print("the total error rate is %f"%(errorCount/float(numTestVecs)))
print(datingLabels[1:])