1. 实验内容
使用kNN算法改进约会网站的配对效果,使匹配对象更好地划分到确切的分类中。
2. 代码
2.1 从文本文件中解析数据
- 从文件中读取数据,将待处理数据的格式改变为分类器可以接受的格式。
- 该函数输入为文件名字符串,输出为训练样本矩阵和类标签向量。
#从文件中读取数据 #首先将待处理数据的格式改变为分类器可以接受的格式 #该函数输入为文件名字符串,输出为训练样本矩阵和类标签向量 def file2matrix(filename): fr = open(filename) #读取整个文件,返回值放到一个列表中,以列表的格式返回全部文本,文本的第几行对应列表的第几个元素 arrayOfLines = fr.readlines() #len函数返回参数对象(例如字符或字符串、元组、列表和字典等)的项目个数(长度)。这里是返回列表长度 numberOfLines = len(arrayOfLines) #将32*32的二进制图像矩阵转化为1*1024的向量,用法:zeros(shape, dtype=float, order=’C’),返回:返回来一个给定形状和类型的用0填充的数组; returnMat = zeros((numberOfLines, 3)) #定义列表 classLabelVetor = [] index = 0 for line in arrayOfLines: #strip([chars]) 方法用于移除字符串头尾指定的字符(默认为空格或换行符)或字符序列。注意:该方法只能删除开头或是结尾的字符,不能删除中间部分的字符。 line = line.strip() #将上一步的整行数据分割成一个元素列表 listFromLine = line.split('\t') #选取前3个,储存到特征矩阵 returnMat[index, :] = listFromLine[0:3] #使用索引值-1表示列表中的最后一列元素,利用这种负索引,将列表中的最后一列储存到向量classLabelVector中 classLabelVetor.append(int(listFromLine[-1])) index += 1 fr.close() return returnMat, classLabelVetor
2.2 归一化数值
- 原因:计算样本之间的距离时,结果容易受到数字查值较大的属性的影响,然而所有特征都同等重要。
- 方法:将数值归一化,如将取值范围处理为0到1或者-1到1之间,下面的公式可以将任意取值范围的特征值转化为0到1区间内:
newValue = (oldValue-min) / (max-min) #归一化特征值 def autoNorm(dataSet): #存放每列的最小值,参数0使得函数可以从列中选取最小值,而不是选取当前行的最小值 minVals = dataSet.min(0) #存放每列的最大值 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
2.3 测试算法
前面通过file2matrix和autoNorm函数完成了从文件中读取数据并将其转换为归一化特征值,此步则是计算测试向量的数量,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,然后将两部分数据输入到kNN分类器函数中计算错误率。
#计算测试向量的数量,决定了norMat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,然后将这两部分数据输入到kNN分类器函数中。 def datingClassTest(): hoRatio = 0.05 datingDateMat, datingLabels = file2matrix('D:/study/机器学习/py code/kNN/datingTestSet2.txt') normMat, ranges, minVals = autoNorm(datingDateMat) m = normMat.shape[0] 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 += 1.0 print("the total error rate is: %f" % (errorCount / float(numTestVecs))) datingClassTest()
3. 运行结果
分类器处理约会数据集的错误率时2.4%。