机器学习之KNN算法

心怀宇宙浪漫，也珍惜人间日常ヾ(✿ﾟ▽ﾟ)ノ
仰慕大佬的第二天，原作者博客链接https://blog.csdn.net/c406495762/category_9269492.html

import matplotlib.pyplot as plt
import matplotlib.lines as mlines
import numpy as np
import operator
from matplotlib.font_manager import FontProperties

import warnings

warnings.filterwarnings("ignore", category=UserWarning)

# 通过KNN算法帮海伦女士找对象
"""
    输入特征：1.每年获得的飞行常客里程数
            2.玩视频游戏所消耗的时间比
            3.每周消耗的冰淇淋公斤数
    样本标签：不喜欢/魅力一般/机具魅力
"""


# 第一步,收集数据(由爬虫或数据源，数据一般按照一定的格式进行存储，方便解析与处理)，在此数据已存至DataSource->KNN->datingTestSet中

# 第二步，准备数据，使用python解析，预处理
def fileMatrix(filename):
    # 打开文件
    fr = open(filename)
    # 读取文件内容
    arrayOlines = fr.readlines();
    # 记录文件行数
    numberOfLines = len(arrayOlines)
    # 生成0矩阵
    returnMat = np.zeros((numberOfLines, 3), dtype=float)
    # 返回的分类标签向量
    classLabelVector = []
    # 行索引
    index = 0
    # 遍历数据
    for line in arrayOlines:
        # 删除此条数据首或尾可能存在的空格
        line = line.strip()
        # 对数据进行切片,使用'\t'对数据进行分割，返回一个包含分割后元素的列表
        listFromLine = line.split('\t')
        # 将切片的前三列数据取出来，存入特征矩阵中
        returnMat[index, :] = listFromLine[0:3]
        # 将切片最后一列取出来，放入分类标签向量中
        if (listFromLine[-1] == 'didntLike'):
            classLabelVector.append(1)
        elif (listFromLine[-1] == 'smallDoses'):
            classLabelVector.append(2)
        else:
            classLabelVector.append(3)
        index += 1
    return returnMat, classLabelVector


# 可视化特征矩阵和标签向量
def showdatas(datingDataMat, labels):
    # 设置汉字格式
    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
    # 将画布分隔成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
    fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False)
    numOfLabels = len(labels)
    LabelsColors = []
    for i in labels:
        if (i == 1):
            LabelsColors.append('black')
        elif (i == 2):
            LabelsColors.append('orange')
        elif (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
    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'玩游戏所消耗的时间占比', FontProperties=font)
    axs0_ylabel_text = axs[0][0].set_ylabel(u'每年获得的飞行常客里程数', FontProperties=font)
    plt.setp(axs0_title_text, size=9, weight='bold', color='red')
    plt.setp(axs0_xlabel_text, size=9, weight='bold', color='black')
    plt.setp(axs0_ylabel_text, size=9, 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])
    # 显示图像
    plt.show()


# 开始处理数据，由于三个特征值的取值范围不一样大，我们认为三个特征值是同等重要的，所以进行数值归一化
def autoNorm(dataSet):
    # 获取特征最大最小值
    minVal = dataSet.min(0)
    maxVal = dataSet.max(0)
    # 最大值和最小值的范围
    ranges = maxVal - minVal
    # ndarray.shape()返回矩阵的行和列
    normDataSet = np.zeros(np.shape(dataSet))
    # 返回数据的行数
    m = dataSet.shape[0]
    # 原始值减去最小值
    normDataSet = dataSet - np.tile(minVal, (m, 1))
    normDataSet = normDataSet / np.tile(ranges, (m, 1))
    # 返回归一化数据,数据范围，最小值
    return normDataSet, ranges, minVal


# 使用KNN算法对数据进行分类
def classify0(inX, dataSet, labels, k):
    """ k近邻算法
        参数列表
            inX:用于分类的输入向量inX
            dataSet:训练集
            labels:分类标签
            k:KNN算法参数，选择距离最小的k个点
    """
    # 获取训练集的行数
    dataSetSize = dataSet.shape[0]
    # 将inX在行向量方向重复dataSetSize次，然后元素一一对应相减
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet  # (x1-x),(y1-y)......
    # 二维特征相减后平方
    sqDiffMat = diffMat ** 2  # (x1-x)**2,(y1-y)**2......
    # 求和
    sqDistances = sqDiffMat.sum(axis=1)  # (x1-x)**2+(y1-y)**2......
    # 开方，计算出距离，至此inX到训练集每一向量的欧氏距离算出
    distances = sqDistances ** 0.5  # ((x1-x)**2+(y1-y)**2)**1/2......
    # 返回对distances从小到大排序后的索引值
    sortedDistances = distances.argsort();
    # 定义一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        # 取出排序后训练集前k个的类别
        voteIlabel = labels[sortedDistances[i]]
        # dict.get(key,default = None),字典的get()方法，返回指定键的值，如果键不在字典中返回默认值。
        # 计算类别次数,此处键为标签，次数为值。
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    # 统计后对字典排序
    # python3中用items()替换python2中的iteritems()
    # key=operator.itemgetter(1)根据字典的值进行排序
    # key=operator.itemgetter(0)根据字典的键进行排序
    # reverse降序排序字典
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    # 返回排序后字典中次数最高的键
    return sortedClassCount[0][0]


# 分类器性能测试
def datingclassTest():
    # 打开文件
    filename = 'Datasource/KNN/datingTestSet.txt'
    # 返回特征矩阵,标签向量
    datingDataMat, label = fileMatrix(filename)
    # 数据归一化,返回归一化后的矩阵，数值范围，最小值
    normMat, ranges, minVal = autoNorm(datingDataMat)
    # 归一化矩阵的行数
    m = normMat.shape[0]
    # 定义测试集比例
    hoRatio = 0.10
    # 测试集的数目
    numTest = int(m * hoRatio)
    # 分类错误计数
    errorCount = 0.0
    # 遍历测试集
    for i in range(numTest):
        # 前numTest作为测试集，后numTest用来作训练集
        classifierResult = classify0(normMat[i, :], normMat[numTest:m, :], label[numTest:m], 4)
        print("分类结果:%d\t真实类别:%d\n" % (classifierResult, label[i]))
        if (classifierResult != label[i]):
            errorCount += 1
    print("错误率：%f%%" % (float(errorCount / numTest) * 100))


# 第三步，使用k近邻分析数据，将数据分类，给出预测，并将数据可视化展示
if __name__ == '__main__':
    # # 文件路径
    # filename = 'Datasource/KNN/datingTestSet.txt'
    # # 解析文件生成特征矩阵，标签向量
    # datingDataMat, label = fileMatrix(filename)
    # # 把这两个家伙打印看看
    # print(datingDataMat)
    # print(label)
    # # 展示数据的分布
    # showdatas(datingDataMat, label)
    # 验证分类器，在此采用留出法，9/10的样本作为训练集，1/10的样本作为测试集，随机抽样
    datingclassTest()