目录
3.2、引入训练样本文件和测试样本文件,定义一个读取数据的转换数据的函数
一、改进约会网站
1、项目背景
我的朋友海伦一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选,但她并不是喜欢每一个人。经过一番总结,她发现自己交往过的人可以进行如下分类:
- 不喜欢的人
- 魅力一般的人
- 极具魅力的人
海伦认为,尽管发现了这些规律,仍无法将约会网站推荐的匹配对象归入恰当的分类,她希望借助我们的分类软件更好的帮助她将匹配的对象划分到确切的分类中。
2、数据收集
海伦收集约会数据已经有了一段时间,她把这些数据存放在文本文件datingTestSet.txt中,每个样本数据占据一行,总共有1000行。
海伦收集的样本数据主要包含以下3种特征:
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
每周消费的冰淇淋公升数
3、在约会网站中使用k-近邻算法的流程
(1)收集数据:提供文本文件,即datingTestSet.txt。
(2)准备数据:使用Python解析文本文件。
(3)分析数据:使用Matplotlib画二维扩散图。
(4)测试算法:使用文本文件的部分数据作为测试样本,计算错误率。
(5)使用算法:错误率在可接受范围内,就可以运行k-近邻算法进行分类。
4、代码实现
#-*- coding:utf-8 -*-
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
import operator
'''
#准备数据,从文本文件中解析数据
'''
def file2matrix(filename):
#打开文件
with open(filename,'r') as fr:
# 读取文件所有内容
arrayOLines = fr.readlines()
# 得到文件行数
numberOfLines = len(arrayOLines)
# 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
returnMat = np.zeros((numberOfLines, 3))
# 返回的分类标签向量
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()
# 使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
listFromLine = line.split('\t')
# 将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
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
'''
#分析数据,数据可视化,使用Matplotlib创建散点图
'''
def showdatas(datingDataMat, datingLabels):
#设置汉字格式
# sans-serif就是无衬线字体,是一种通用字体族。
# 常见的无衬线字体有 Trebuchet MS, Tahoma, Verdana, Arial, Helvetica, 中文的幼圆、隶书等等
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体 SimHei为黑体
mpl.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
#将fig画布分隔成2行2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, figsize=(13,9))
LabelsColors = []
for i in datingLabels:
if i == 1:
LabelsColors.append('green')
if i == 2:
LabelsColors.append('red')
if i == 3:
LabelsColors.append('blue')
#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('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')
axs0_xlabel_text = axs[0][0].set_xlabel('每年获得的飞行常客里程数')
axs0_ylabel_text = axs[0][0].set_ylabel('玩视频游戏所消耗时间占')
plt.setp(axs0_title_text, size=12, weight='bold', color='red')
plt.setp(axs0_xlabel_text, size=10, weight='bold', color='black')
plt.setp(axs0_ylabel_text, size=10, 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('每年获得的飞行常客里程数与每周消费的冰激淋公升数',)
axs1_xlabel_text = axs[0][1].set_xlabel('每年获得的飞行常客里程数')
axs1_ylabel_text = axs[0][1].set_ylabel('每周消费的冰激淋公升数')
plt.setp(axs1_title_text, size=12, weight='bold', color='red')
plt.setp(axs1_xlabel_text, size=10, weight='bold', color='black')
plt.setp(axs1_ylabel_text, size=10, 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('玩视频游戏所消耗时间占比与每周消费的冰激淋公升数')
axs2_xlabel_text = axs[1][0].set_xlabel('玩视频游戏所消耗时间占比')
axs2_ylabel_text = axs[1][0].set_ylabel('每周消费的冰激淋公升数')
plt.setp(axs2_title_text, size=12, weight='bold', color='red')
plt.setp(axs2_xlabel_text, size=10, weight='bold', color='black')
plt.setp(axs2_ylabel_text, size=10, weight='bold', color='black')
#设置图例
didntLike = mlines.Line2D([], [], color='green', marker='.', markersize=6, label='不喜欢')
smallDoses = mlines.Line2D([], [], color='red', marker='.',markersize=6, label='魅力一般')
largeDoses = mlines.Line2D([], [], color='blue', marker='.',markersize=6, label='极具魅力')
#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()
'''
#准备数据,数据归一化处理
'''
def autoNorm(dataSet):
#获得每列数据的最小值和最大值
minVals = dataSet.min(0)
maxVals = dataSet.max(0)
#最大值和最小值的范围
ranges = maxVals - minVals
#shape(dataSet)返回dataSet的矩阵行列数
#normDataSet = np.zeros(np.shape(dataSet))
#返回dataSet的行数
m = dataSet.shape[0]
#原始值减去最小值
normDataSet = dataSet - np.tile(minVals, (m, 1))
#除以最大和最小值的差,得到归一化数据
normDataSet = normDataSet / np.tile(ranges, (m, 1))
#返回归一化数据结果,数据范围,最小值
return normDataSet, ranges, minVals
'''
KNN算法分类器
# inX - 用于分类的数据(测试集)
# dataSet - 用于训练的数据(训练集)
# labes - 训练数据的分类标签
# k - kNN算法参数,选择距离最小的k个点
# sortedClassCount[0][0] - 分类结果
'''
def classify0(inX, dataSet, labels, k):
#numpy函数shape[0]返回dataSet的行数
dataSetSize = dataSet.shape[0]
#在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
#二维特征相减后平方
sqDiffMat = diffMat**2
#sum()所有元素相加,sum(0)列相加,sum(1)行相加
sqDistances = sqDiffMat.sum(axis=1)
#开方,计算出距离
distances = sqDistances**0.5
#返回distances中元素从小到大排序后的索引值
sortedDistIndices = distances.argsort()
#定一个记录类别次数的字典
classCount = {}
for i in range(k):
#取出前k个元素的类别
voteIlabel = labels[sortedDistIndices[i]]
#dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
#计算类别次数
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)
#返回次数最多的类别,即所要分类的类别
return sortedClassCount[0][0]
'''
#测试算法,计算分类器的准确率,验证分类器
'''
def datingClassTest():
#打开的文件名
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))
'''
#使用算法,构建完整可用系统
'''
def classifyPerson():
#输出结果
resultList = ['不喜欢','有些喜欢','非常喜欢']
#三维特征用户输入
ffMiles = float(input("每年获得的飞行常客里程数:"))
precentTats = float(input("玩视频游戏所耗时间百分比:"))
iceCream = float(input("每周消费的冰激淋公升数:"))
#打开的文件名
filename = "datingTestSet.txt"
#打开并处理数 据
datingDataMat, datingLabels = file2matrix(filename)
#训练集归一化
normMat, ranges, minVals = autoNorm(datingDataMat)
#生成NumPy数组,测试集
inArr = np.array([ffMiles,precentTats, iceCream])
#测试集归一化
norminArr = (inArr - minVals) / ranges
#返回分类结果
classifierResult = classify0(norminArr, normMat, datingLabels, 3)
#打印结果
print("你可能%s这个人" % (resultList[classifierResult-1]))
'''
#主函数,测试以上各个步骤,并输出各个步骤的结果
'''
if __name__ == '__main__':
#打开的文件名
filename = "datingTestSet.txt"
#打开并处理数据
datingDataMat, datingLabels = file2matrix(filename)
#数据可视化
showdatas(datingDataMat, datingLabels)
#验证分类器
datingClassTest()
#使用分类器
classifyPerson()
项目运行结果:
(1)数据可视化:
(2) 验证分类器计算错误率结果
(3)使用分类器根据输入数据获得预测结果
二、手写体数字识别
1.了解手写体数字识别
我们通过画图,或者在纸上写上数字或字母,将照片进行处理,得到固定的照片规格,将照片转换为文本0,1表示的内容。例如下图:
2、手写体数字识别思路
将测试数据转换成只有一列的0-1矩阵形式 将所有(N个)训练数据也都用上方法转换成只有一列的0-1矩阵形式
把N个单列数据存入新矩阵A中——矩阵A每一列存储一个字的所有信息
用测试数据与矩阵A中的每一列求距离,求得的N个距离存入距离数组中
从距离数组中取出最小的K个距离所对应的训练集的索引 拥有最多索引的值就是预测值
3.1、导入模块
import os,time,operator #导入os内置库来读取文件名 导入time来测试效率
import pandas as pd #导入数据处理库pandas 安装方法pip install pandas
import numpy as np #导入科学计算库numpy 安装方法pip install numpy
import matplotlib.pyplot as plt #导入绘图库matplotlib 安装方法pip install matplotlib
3.2、引入训练样本文件和测试样本文件,定义一个读取数据的转换数据的函数
trainingDigits =r'D:\机器学习代码\MLiA_SourceCode\machinelearninginaction\Ch02\digits\trainingDigits'
testDigits = r'D:\机器学习代码\MLiA_SourceCode\machinelearninginaction\Ch02\digits\testDigits'
## ↑数据路径
tarining = (os.listdir(trainingDigits)) ## 读取训练集
test = (os.listdir(testDigits)) ## 读取测试集
def read_file(doc_name): ## 定义一个把32x32格式转为1行的函数
data=np.zeros((1,1024)) ## 创建1个zero数组
f=open(doc_name) ## 打开文件
for i in range(32): ## 已知每个文件中有32行32列
hang=f.readline() ## 取行
for j in range(32): ## 取每行中的每一列
data[0,32*i+j]=int(hang[j]) ## 给data值
# print(pd.DataFrame(data)) ## 不要在这里转换成DataFrame。
return data ## 否则测试集效率会降低7倍
## 读取训练集效率会降低12倍
3.3、定义一个字段转列表的函数
def dict_list(dic:dict): ## 定义函数将字典转化为列表
keys = dic.keys() ## dic.keys()就是字典的k
values = dic.values() ## dic.values()就是字典的V
lst = [(key,val) for key,val in zip(keys, values)] ## for k,v in zip(k,v)
return lst ## zip是一个可迭代对象
## 返回一个列表
3.4、定义相似度函数
def xiangsidu(tests,xunlians,labels,k): ## tests:测试集 # xulians:训练样本集 # labels:标签 # k: 邻近的个数
data_hang=xunlians.shape[0] ## 获取训练集的行数data_hang
zu=np.tile(tests,(data_hang,1))-xunlians ## 用tile把测试集tests重构成一个 data_hang行、1列的1维数组
q=np.sqrt((zu**2).sum(axis=1)).argsort() ## 计算完距离后从低到高排序,argsort返回的是索引
my_dict = {} ## 设置一个dict
for i in range(k): ## 根据我们的k来统计出现频率,样本类别
votelabel=labels[q[i]] ## q[i]是索引值,通过labels来获取对应标签
my_dict[votelabel] = my_dict.get(votelabel,0)+1 ## 统计每个标签的次数
sortclasscount=sorted(dict_list(my_dict),key=operator.itemgetter(1),reverse=True)
## 获取votelabel键对应的值,无返回默认
return sortclasscount[0][0] ## 返回出现频次最高的类别
3.5、编写识别函数
def shibie(): ## 定义一个识别手写数字的函数
label_list = [] ## 将训练集存储到一个矩阵并存储他的标签
train_length = len(tarining) ## 直接一次获取训练集长度
train_zero = np.zeros((train_length,1024)) ## 创建(训练集长度,1024)维度的zeros数组
for i in range(train_length): ## 通过遍历训练集长度
doc_name = tarining[i] ## 获取所有的文件名
file_label = int(doc_name[0]) ## 取文件名第一位文件的标签
label_list.append(file_label) ## 将标签添加至handlabel中
train_zero[i,:] = read_file(r'%s\%s'%(trainingDigits,doc_name))## 转成1024的数组
## 下面是测试集
errornum = 0 ## 记录error的初值
testnum = len(test) ## 同上 获取测试集的长度
errfile = [] ## 定义一个空列表
for i in range(testnum): ## 将每一个测试样本放入训练集中使用KNN进行测试
testdoc_name = test[i] ## 通过i当作下标来获取测试集里面的文件
test_label = int(testdoc_name[0]) ## 拿到测试文件的名字 拿到我们的数字标签
testdataor = read_file(r'%s\%s' %(testDigits,testdoc_name)) ## 调用read_file操作测试集
result = xiangsidu(testdataor, train_zero, label_list, 3) ## 调用xiangsidu返回了result
print("正在测试 %d, 内容是 %d" % (test_label,result)) ## 输出result和标签
if (result != test_label): ## 判断标签是否等于测试名
errornum += 1 ## 不是则+1 记录次数
errfile.append(testdoc_name) ## 并把错误的文件名加入错误列表
print("错误数量有 :%d" % errornum) ## 输出错误的数量
print("错误的有 :%s"%[i for i in errfile]) ## 输出错误的列表中的名字
print("准确率 %.2f%%" % ((1 - (errornum / float(testnum))) * 100)) ## 计算准确率
3.6、调用
if __name__ == '__main__': ## 声明主函数
a = time.time() ## 设置起始时间
shibie() ## 调用测试函数
b= time.time() - a ## 计算运行时间
print("运行时间:",b) ## 输出运行时间