准备工作
由于之前 Windows 本上的 Python 版本混乱,所以第一步工作是重新安装 Python 并且配置环境。
快速配置 Python 环境的步骤:
-
下载 Anaconda ,并且安装。
安装时可以选择把 Anaconda 添加到系统环境变量中,不然之后得自己手动添加
-
安装 Pycharm ,并且安装。
-
命令行中测试
conda
命令和python
命令如果报错没有此命令,可能还需要手动添加其他环境变量,一般来说添加三个是完整的:
-
最后创建自己的项目目录
初探 k 近邻算法 kNN
k nearest neighbours
原理:
来自维基百科的图:
简单地说就是:找到离目标 data 最近的 k 个已分类的 ( classified ) 数据,根据这 k 个数据来给这个 data 分类。
上图中:
k = 1 时, 绿色的 ⚪ 就被分类到 🔺 里面了
k = 5 时, 绿色的 ⚪ 就被分类到 ⬜️ 里面了
主要内容有两点:
-
distance 的计算:怎样才算近邻
-
k 的选择:究竟选几个近邻
用 Python 导入数据
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
使用 group, labels = createDataSet()
我们就能获得一个 dataSet 了
用 Python 初步实现 kNN
# inX, the data to be classified.
# dataSet, an array of two-dimension coordinate.
# labels, classes that data in the above array differently belong to.
# k, quantity of the neighbours.
def classify0(inX, dataSet, labels, k):
# dataSet is an array and it has the 'shape' attribute.
# shape = {tuple}(rows, columns)
dataSetSize = dataSet.shape[0]
# tile() makes a new matrix.
# diffMat, the subtract of target matrix and each member of the dataSet
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]
说几个不容易理解的地方(主要是个人 python 基础薄弱):
关于 NumPy 的 array
直接上图,实际上 NumPy 中的 array 是 ndarray ( N-dimensional array ),它的结构是上图,其中涉及到的 data-type object
和 array scalar types
我们之后单独再讲,参考 devdocs.io(因为 NumPy 自身确实是一个非常优秀的科学计算库,值得深入学习)。
在这里我们知道了 group 是一个 ndarray, 作为对比, labels 则是一个普通的 list, 这一点可以在 Pycharm 的 Python Console
里面看到:
可以看到 group 作为一个 ndarray 要比普通的 list 多了很多属性,更易于修改。
关于 NumPy 的 tile() 函数
tile 这个英语单词本身的意思是 “铺开” 和 “瓷砖”,这个函数的作用是对一个矩阵进行扩容。
NumPy.tile(A, reps) 函数的文档:https://docs.scipy.org/doc/numpy/reference/generated/numpy.tile.html
简单地说:
-
低维向高维平铺,在已有维度上铺开之后需要向外加中括号提高到高维
-
高维向低维平铺,低维铺完即可
-
同等维度平铺,对应维度铺开
-
最终维度是 max(A.ndim, d),其中 d 为 reps 的维数
回到代码中,tile(inX, (dataSetSize, 1))
将 inX (待分类的数据,一维数组)平铺成了和dataSet
一样的行数,由于 dataSet
中也是坐标,因此扩充之后可以进行减法,获得偏移量
剩余的计算
剩余的计算仍然带有浓浓的矩阵风格:矩阵元素平方,按照轴的方向相加,最后再开方
排序:由于是数之排序,直接使用了 NumPy 的 argsort()
函数
分类的步骤
-
拿到排序好了的近邻
-
在已经有的 dataSet 中找到这个距离对应的类别
-
把 classCount 中相应类别属性值加一(涉及到
dict.get()
方法) -
用
sorted()
函数将 classCount 的 items 进行排序,其中涉及到dict.items
和operator.itemgetter()
dict.get(key, [default value])
方法:取 dict 中的 key 属性的值,如果没有这个属性,新建它并且赋值以 default valuedict.items()
方法:返回 (key, value) pairs,注意不要再用iteritems()
了,那是 Python 2 中的写法operatior.itemgetter(index)
方法:拿到一个对象的索引为 index 的值
至此我们基本把书上的 kNN 完整看了一遍,但是离应用还挺远(很多地方限定很多),下面就用它做点实战吧。
In Action – Dating Site Matches
从文件中读取数据
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
returnMat = zeros((numberOfLines, 3))
classLabelVector = []
index = 0
for line in arrayOLines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index, :] = listFromLine[0:3]
classLabelVector.append(basestring(listFromLine[-1]))
index += 1
return returnMat, classLabelVector
数据的初步处理
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()
第一个散点图:
>>> import kNN
>>> datingDataMat, datingLabels = kNN.file2matrix('datingTestSet2.txt')
>>> import matplotlib
>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax = fig.add_subplot(111)
>>> from numpy import * # 这一步不能少,不然会报错
>>> ax.scatter(datingDataMat[:,1], datingDataMat[:,2], 15.0*array(datingLabels), 15.0*array(datingLabels))
>>> plt.show()
第二张图:
数据的单位化
def autoNorm(dataSet):
minVals = dataSet.min(0)
maxVals = dataSet.max(0)
ranges = maxVals - minVals
normDataSet = zeros(shape(dataSet))
m = dataSet.shape[0]
normDataSet = dataSet - tile(minVals, (m, 1))
normDataSet = normDataSet / tile(ranges, (m, 1))
return normDataSet, ranges, minVals
在约会这个例子中由于有的项数值较大,但是影响因素并不大,因此需要进行单位化把所有的差值限制在 0~1 之间(或者 -1 ~1 )
步骤如下:
-
先用
ndarray.min()
和ndarray.max()
拿到对应的最小值与最大值,两个的结果都是 shape 为 (1, 3) -
拿到差值 ranges
-
按照 dataSet 的 shape 初始化一个零矩阵
-
拿到 dataSet 的行数
-
将 minVals 的 shape 由 (1, 3) 铺开为 (1000, 3),并用 dataSet 做减法
-
元素层面(Element wise)做除法(注意不是矩阵除法),做单位化
-
返回单位化的矩阵和差值、最小值
Error rate 计算
一个 classifier 需要 tester ,需要计算正确率
def datingClassTest():
hoRatio = 0.10 # holdRatio, ratio of data held back for test, the rest of this are used for judge.
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
# get the rows of normMat
m = normMat.shape[0]
#get the num of the data for test.
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
# errorCount / float(numTestVecs) calculates the error rate.
print ("The total error rate is: %f" %(errorCount / float(numTestVecs)))
其中有一些地方可能不太容易理解:
-
normMat[i, :]
是 normMat 的一个切片,i 行, all 列 -
normMat[numTestVecs:m, :]
也是 normMat 的一个切片:行,从 (索引值)numTestVecs 行开始到 m 行;列,all这里理解了应该就知道这个例子中我们拿的是最后 10% 的数据,同样我们可以改一改
-
datingLabels[numTestVecs:m]
是 datingLabels 的一个切片,由于 datingLabels 自身是 list 类型,因此它表示的是 datingLabels 的索引值从 numTestVecs 到 m 的一个切片
其余逻辑应该都比较容易理解。
组装起来
def classifyPerson():
resultList = ["Not at all", "In small doses", "In large doses"]
percentTats = float(input("percentage of time spent playing video games?"))
ffMiles = float(input("frequent flier miles earned per year?"))
iceCream = float(input("liters of licecream consumed per year?"))
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
inArr = array([ffMiles, percentTats, iceCream])
classifierResult = classify0((inArr - minVals) / ranges, normMat, datingLabels, 3)
print ("You will probably like this person:", resultList[classifierResult - 1])
在这里我们把前面写到几乎所有的功能函数都用了,前面每一个函数我们都做了详细解析。
-
定义分类组
-
取到三个参数(我们的
classify0()
函数不止能算二维 distance,同样地,其他函数都是面向 ndarray) -
取到已有数据集
-
对已有数据集单位化
-
用
classify0()
将这一个新的点进行分类 -
将结果打印出来。
In Action – Handwring Recognition
from os import listdir
......
def handwritingClassTest():
hwLabels = []
trainingFileList = listdir('trainingDigits')
m = len(trainingFileList)
trainingMat = zeros((m, 1024))
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
trainingMat[i, :] = img2vector('trainingDigits/%s' %fileNameStr)
testFileList = listdir('testDigits')
errorCount = 0.0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
vectorUnderTest = img2vector('testDigits/%s' %fileNameStr)
classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
print("The classifier came back with: %d, the real answer is: %d" %(classifierResult, classNumStr))
if(classifierResult != classNumStr): errorCount += 1;
print("\nThe total number of errors is: %d" %errorCount)
print("\nThe total error rate is: %f" %(errorCount / float(mTest)))
os.listdir(path)
: Return a list containing the names of the entries in the directory given by path. 给文件夹名,获取到所有文件夹内的文件名的一个 list
过程:
-
创建一个行数为总训练文件数,列数为 1024 的零矩阵
-
进入循环
-
拿到文件名
-
用
split()
方法去掉文件名中的.
和_
-
把文件名的数字放进类别中(这里因为给的测试数据都是已知类别的,并且表现在了文件命名中)
-
把图片转成的 vector 存进 trainingMat
-
-
拿到测试数据的文件列表和它的长度
-
进入循环
-
拿到各个文件名的数字
-
把图片转成的 vector 存进 vectorUnderTest
-
使用
classify()
函数做分类
-
-
比较根据 kNN 分类与正确分类,打印出错误数和错误率
下面把图片(实际是 txt)转 vector 代码补上:
# 32 * 32 规格的 txt
def img2vector(filename):
returnVect = zeros((1, 1024))
fr = open(filename)
for i in range(32):
lineStr = fr.readline()
for j in range(32):
returnVect[0,32*i+j] = int(lineStr[j])
return returnVect
至此,我们的 kNN 算法基本上结束了
kNN 分类与正确分类,打印出错误数和错误率
下面把图片(实际是 txt)转 vector 代码补上:
# 32 * 32 规格的 txt
def img2vector(filename):
returnVect = zeros((1, 1024))
fr = open(filename)
for i in range(32):
lineStr = fr.readline()
for j in range(32):
returnVect[0,32*i+j] = int(lineStr[j])
return returnVect
至此,我们的 kNN 算法基本上结束了