机器学习实战(一):k-近邻算法(进阶篇)
在上一期的学习中,已经了解了k-近邻算法的实质以及python代码的基本实现。接下来,我们将会通过另一项实例对kNN分类算法进行更深层次的掌握,其中会包含python绘图处理,python文件操作。在学习本期内容之前,建议你可以先去进行matplotlib库的学习,以达到事半功倍的效果。
本期所有代码都放在本人的github中,收录在kNN_test02中,如果有需要,可以从本人的github中拷贝所需要的资料。
(github地址:https://github.com/Auraros/machine-learning.git)
实例:约会网站
我的好友Auraros由于常年单身,所以一直使用约会网站寻找适合自己约会对象,约会网站推荐的人选,Auraros发现对他们大概分为三种类型:
- 不喜欢的人
- 魅力一般的人
- 极具魅力的人
尽管对发现了上述规律,但是Auraros还是无法将约会网站推荐匹配对象归到且当的类别。Auraros在周一到周五更喜欢魅力一般的人,在周末则更喜欢那些极具魅力的人。 Auraros希望我们用分类算法可以更好的帮助他将匹配对象归到确切的分类中。此外Auraros还收集了一些约会网站未曾记录的数据信息,他认为这些数据会对我们有帮助。(这些数据都储存在datingTsetSet.text中)
现在我们来缕一缕所需要完成的思路:
- 收集数据:提供文本文件(datingTsetSet.text)
- 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k-近邻算法
- 测试算法:使用Auraros提供的部分数据作为测试样本(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符,则标记一个错误
- 使用算法:产生简单的命令行程序,然后Auraros可以输入一些特征数据以判断对方是否为自己喜欢的类型。
准备数据:从文本文件中解析数据
Auraros统计约会数据已经有了一段时间了,在样本数据中,每个样本数据占据一行,总共有1000行。Auraros的样本主要包含以下三个方面:
- 每年获得的飞行常客里程数
- 玩视频游戏所消耗时间百分比
- 每周消费的冰淇凌公升数
我也搞不懂为啥他要统计这三个数据,趣味比较独特。在将上述的数据特征输入到分类器前,我们的将数据格式改变成分类器可以接受的格式,即数组。因此,在建立file2matrix()函数用来进行输入格式的转换,代码储存为kNN_text02-Extract data from files.py.代码如下:
# -*- coding: UTF-8 -*-
import numpy as np
def file2matrix(filename):
#打开文件
fr = open(filename)
#读取文件所有行
arrayOLines = fr.readlines()
#得到文件行数
numberOfLines = len(arrayOLines)
#得到一个全为0的shape与array0Lines相同的数组
returnMat = np.zeros((numberOfLines,3))
#建立一个空的列表,以便后边进行标签的添加
classLabelVector = []
#行的索引值
index = 0
for line in arrayOLines:
#s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
line = line.strip()
#将line中每个字符串以\t的方式隔开
listFromLine = line.split('\t')
#简单的说就是对矩阵进行复制
returnMat[index,:] = listFromLine[0:3]
#根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
if listFromLine[-1] == 'didntLike':
classLabelVector.append(1)
elif listFromLine[-1] == 'smallDoses':
classLabelVector.append(2)
elif listFromLine[-1] == 'largeDoses':
classLabelVector.append(3)
index += 1
return returnMat, classLabelVector
if __name__ == '__main__':
#打开的文件名
filename = "datingTestSet.txt"
#打开并处理数据
datingDataMat, datingLabels = file2matrix(filename)
print(datingDataMat)
print(datingLabels)
以上代码就是将文本中的数据读取,并且以数组的形式输出。代码运行如下:
我们发现输出的数据并不适合于观察,这样的数据虽然很准确,但是却很难从中找出每两个特征中的对应关系。所以在接下来,我们要尝试将数据图形化的方式更直接的展示数据。
分析数据:使用Matplotlib创建散点图
在用Python制作散点图之前,我们发现一共有三个特征,我们无法很好的将三个特征的关系一起表示出来。在这里,我们要将三个特征分开,讨论两两之间的关系。在这里,我们就要用三个散点图来表达我们想要的关系。这里Python代码很好解决了问题。代码储存在kNN_test02-data visualization中,代码如下:
#- * - coding: UTF - 8 -*-
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import numpy as np
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
returnMat = np.zeros((numberOfLines, 3))
classLabelVector = []
index = 0
for line in arrayOLines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index, :] = listFromLine[0:3]
if listFromLine[-1] == 'didntLike':
classLabelVector.append(1)
elif listFromLine[-1] == 'smallDoses':
classLabelVector.append(2)
elif listFromLine[-1] == 'largeDoses':
classLabelVector.append(3)
index += 1
return returnMat, classLabelVector
def showdatas(datingDataMat, datingLabels):
# 设置汉字格式
font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
# 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, figsize=(13, 8))
numberOfLabels = len(datingLabels)
LabelsColors = []
for i in datingLabels:
if i == 1:
LabelsColors.append('black')
if i == 2:
LabelsColors.append('orange')
if 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'每年获得的飞行常客里程数', FontProperties=font)
axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占', FontProperties=font)
plt.setp(axs0_title_text, size=9, weight='bold', color='red')
plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')
plt.setp(axs0_ylabel_text, size=7, 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])
# 显示图片
plt.show()
if __name__ == '__main__':
# 打开的文件名
filename = "datingTestSet.txt"
# 打开并处理数据
datingDataMat, datingLabels = file2matrix(filename)
showdatas(datingDataMat, datingLabels)
我们来看看代码运行结果:
在这里,我们可以很清楚的看到两个特征之间的关系。比如:根据三个散点图。我们可以做一个猜想:Auraros更喜欢有适当飞行常客里行数,又又一定的玩视频游戏时间,而且还有一定的每周消费的冰淇淋公升数,三个特征都要,且在适中的水平。看起来Auraros真的好挑剔呀,任何一个都不能少。
准备数据:归一化数据
在上面的过程中,我们已经将数据用散点图的方式的表示出来了,我们可以从图像中大概找出Auraros决定标签的标准。在接下来我们要通过计算来证明我们的猜想。
样本数 | 视频游戏所消耗时间百分比 | 每年获得的飞行常客里程数 | 每周消费的冰淇淋公升数 | 样本分类 |
---|---|---|---|---|
1 | 0.8 | 400 | 0.5 | 1 |
2 | 12 | 13400 | 0.9 | 3 |
3 | 0 | 20000 | 1.1 | 2 |
4 | 67 | 32000 | 0.1 | 2 |
我们从样本中提取出来三个样本。我们先用计算距离的公式算一算 :
我们很容易发现,当我们进行计算的时候,1.1-1=0.1,而32000-20000=12000,我们会发现,当我们计算的时候,12000的影响过大,这样下来,差值小的作用就变得微乎其微。我们会发现,影响最大两个特征——飞行常客里程数。但是我们知道,这三个特征同等重要,我们不能因为一个特征影响了判断。故在这里,我们要将数据归一化,所谓归一化,就是将数据都处理在0~1或者 -1到1之间。这样就能避免某一些差值过大影响了结果。下面公式可以将任意取值范围特征值转化为0到1区间内的值:
newValue = (oldValue-min)/(max-min)
其中min和max分别是数据集中的最小特征和最大特征值。虽然这样会让代码更加复杂,但是这个确实必不可少的。代码保存在:kNN_test02-Data normalization。代码如下:
# —*-coding: UTF-8 -*-
import numpy as np
#跟上面一样打开文件提取数据
def file2matrix(filename):
fr = open(filename)
array0Lines = fr.readlines()
number0fLines = len(array0Lines)
returnMat = np.zeros((number0fLines, 3))
classLabelVector = []
index = 0
for line in array0Lines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index,:] = listFromLine[0:3]
if listFromLine[-1] == 'didntLike':
classLabelVector.append(1)
elif listFromLine[-1] == 'smallDoses':
classLabelVector.append(2)
elif listFromLine[-1] == 'largeDoses':
classLabelVector.append(3)
index +=1
return returnMat,classLabelVector
#数据归一化
def autoNorm(dataSet):
#提出数据中的最大值和最小值
minVals = dataSet.min(0)
maxVals = dataSet.max(0)
#最大值和最小值相减
ranges = maxVals - minVals
#建造一个与dataSet相同行列的数组
normDataSet = np.zeros(np.shape(dataSet))
#找出dataSet的行数
m = dataSet.shape[0]
#将数据集减去最小值
normDataSet = dataSet - np.tile(minVals, (m,1))
#将减去最小值后的数据集除于ranges
normDataSet = normDataSet / np.tile(ranges, (m,1))
#返回归一后的数据集等。
return normDataSet, ranges, minVals
if __name__ == "__main__":
filename = 'datingTestSet.txt'
datingDataMat, datingLabls = file2matrix(filename)
norDataSet, ranges, minVals = autoNorm(datingDataMat)
print(norDataSet)
print(ranges)
print(minVals)
我们看一下输出结果:
在这里,我们可以看到数据中的每个特征的值都被化为了0~1。接下来,我们就可以进行算法的编写。
测试算法:作为完整程序验证分类算法
机器学习一个很重要的工作就是测试算法。一般来说,我们会将90%的数据用于训练算法,10%的数据用于测试算法,来检验我们所做的分类器的正确率。所以在代码中,我们定义了一个计数器变量,每次计算错误后,计数器就加一,最后再执行计数器除以总数,就是错误率。代码保存在kNN_test02-test algorithm中,代码如下:
# -*- coding: UTF-8 -*-
import numpy as np
import operator
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances ** 0.5
sortedDistIndices = distances.argsort()
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndices[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
# 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)
return sortedClassCount[0][0]
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
returnMat = np.zeros((numberOfLines, 3))
classLabelVector = []
index = 0
for line in arrayOLines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index, :] = listFromLine[0:3]
if listFromLine[-1] == 'didntLike':
classLabelVector.append(1)
elif listFromLine[-1] == 'smallDoses':
classLabelVector.append(2)
elif listFromLine[-1] == 'largeDoses':
classLabelVector.append(3)
index += 1
return returnMat, classLabelVector
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 datingClassTest():
filename = "datingTestSet.txt"
# 将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
datingDataMat, datingLabels = file2matrix(filename)
# 取所有数据的百分之十
hoRatio = 0.10
# 数据归一化,返回归一化后的矩阵,数据范围,数据最小值
normMat, ranges, minVals = autoNorm(datingDataMat)
# 获得normMat的行数
m = normMat.shape[0]
# 百分之十的测试数据的个数
numTestVecs = int(m * hoRatio)
# 分类错误计数
errorCount = 0.0
for i in range(numTestVecs):
# 前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :],
datingLabels[numTestVecs:m], 4)
print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))
if classifierResult != datingLabels[i]:
errorCount += 1.0
print("错误率:%f%%" % (errorCount / float(numTestVecs) * 100))
if __name__ == '__main__':
datingClassTest()
我们看一看代码输出结果:
从这里我们可以看出来,这个分类器的算法错误率为4%。错误率不高,所以Auraros可以根据这个分类器来判定类别。
使用算法:构建完整可用的系统
在上面经厉了那么多步。我们将文件数据提取出来并且转换成了数组的形式,还将数据绘制成了散点图,也将数据都归一化,最后证明了我们的分类器算法可用。接下来,就是构建一个完整可用的系统。包括输入特征,判断类别。代码保存在kNN_test02-Tectonic system中,代码如下:
import numpy as np
import operator
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDistIndices = distances.argsort()
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndices[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
return sortedClassCount[0][0]
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
returnMat = np.zeros((numberOfLines,3))
classLabelVector = []
index = 0
for line in arrayOLines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index,:] = listFromLine[0:3]
if listFromLine[-1] == 'didntLike':
classLabelVector.append(1)
elif listFromLine[-1] == 'smallDoses':
classLabelVector.append(2)
elif listFromLine[-1] == 'largeDoses':
classLabelVector.append(3)
index += 1
return returnMat, classLabelVector
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():
#输出结果
resultList = ['不喜欢的人', '魅力一般的人', '极具魅力的人']
#三维特征用户输入
precentTats = float(input("玩视频游戏所消耗时间百分比:"))
ffMiles = float(input("每年获得的飞行常客里程数:"))
iceCream = float(input("每周消费的冰淇凌公升数:"))
filename = "datingTestSet.txt"
datingDataMat, datingLabels = file2matrix(filename)
normMat, ranges, minVals = autoNorm(datingDataMat)
inArr = np.array([ffMiles, precentTats, iceCream])
norminArr = (inArr - minVals)/ranges
classifierResult = classify0(norminArr, normMat, datingLabels, 3)
print("你可能觉得这个人:%s"%(resultList[classifierResult-1]))
if __name__ == '__main__':
classifyPerson()
我们来看看实际运行效果:
在这里,kNN学习就在学到这里了。在学习kNN的过程中最好紧跟步骤,思路清晰。代码看着复杂,但是其实原理很简单。希望我所写的博客对你有帮助,若有什么不恰当的地方,请大家多多包含,也请大家指出错误,我们能够共同学习。