机器学习-自学更新

机器学习

第一部分 分类

监督学习：  在监督学习的过程中，我们只需要给定输入样本集，机器就可以从中推演出指定目标变量的可能结果。
监督学习一般使用两种类型的目标变量：标称型（如真与假，）和数值型。

第一章 机器学习基础部分

1.关键术语：

使用某个机器学习算法进行分类时，首先要做的是算法训练，即学习如何分类。
我们为算法输入大量已分类的数据作为算法的训练集。训练集是用于训练机器学习算法的数据样本集合。
每个训练样本中有n个特征、一个目标变量。
目标变量是机器学习算法的预测结果，分类算法中目标变量通常是标称型的，回归算法中通常是连续型（或数值型）的。
特征通常是训练样本集的列，他们是独立测量得到的结果，多个特征联系在一起共同组成一个训练样本。
为了测试机器学习算法的效果，通常使用两套独立的样本集：训练数据和测试数据。

2. 机器学习的主要任务

1. 分类问题和回归问题
   分类：将实例数据划分到合适的分类中。
   回归：预测数值型的数据，如 数据拟合曲线-通过给定的数据点的最优拟合曲线。
   分类和回归属于*监督学习*。
2. 无监督学习，数据中没有类别信息，也没有目标值，将数据集合分成由类似的对象组成的多个类的过程被称为聚类；
   将寻找描述数据统计值的过程称之为密度估计；
   无监督学习可以减少数据的维度。

3.如何选择合适的算法

想要在算法中选择出实际可用的算法，必须考虑两个问题：
  1. 使用机器学习算法的目的，想要完成何种任务？
  2. 需要分析或收集的数据是什么？

4. 开发机器学习应用程序的步骤

1. 收集数据。
2. 准备输入数据。
3. 分析输入数据。
4. 训练算法。
5. 测试算法。
6. 使用算法。

第二章 k-近邻算法KNN

1.1 k-近邻算法概述

k-近邻算法采用测量不同特征值之间的距离方法进行分类。
优点：精度高、对异常值不敏感、无数据输入假定。
缺点：计算复杂度高、空间复杂度高。
适用数据范围：数值型和标称型。
工作原理：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每个数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，之后算法提取出样本集中特征最相似的数据的分类标签。

1.2.实施KNN分类算法

knn伪代码：

1. 计算已知类别数据集中的点与当前点之间的距离；
2. 按照距离递增次序排列；
3. 选取与当前点距离最小的k个点；
4. 确定前k个点所在类别的出现频率；
5. 返回前k个点出现频率最高的类别作为当前点的预测分类。

程序代码

def classify0(inX, dataSet, labels, k):
	dataSetSize = dataSet.shape[0]
	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.iteritems(), key=operator.itemgetter(1), reverse=True)
	return sortedClassCount[0][0]

2.2 示例：使用K-近邻算法改进约会网站的配对效果

2.2.1 准备数据： 从文本中解析数据

数据存放在文本文件datingTestSet2.txt中，每个样本占据一行，共1000行。

样本包括：每年获得的飞行常客里程数

​ 玩视频游戏所耗时间百分比

​ 每周消费的冰淇淋公升数

程序代码： 将文本记录转换为Numpy的解析程序

def file2matrix(filename):
	fr = open(filename)
	arrayOLines = fr.readlines()
	numberOfLines = len(arratOLines)  # 得到文件行数
	returnMat = zeros((numberOfLines, 3))   # 创建返回的Numpy矩阵
	classLabelVector = []
	index = 0
	for line in arratOLines:      # 解析文件数据到列表
		line = line.strip()
		listFromLine = line.split('\t')
		returnMat[index, :] = listFromLine[0:3]
		classLabelVector.append(int(listFromLine[-1]))
		index += 1
	return returnMat, classLabelVector

2.2.2 分析数据： 使用Matlotlib创建散点图

import matplotlib
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDatMat[:, 1], datingDataMat[:, 2],15.0*array(datingLabels), 15.0*array(datingLabels))

plt.show()

2.2.3 准备数据： 归一化数值

归一化公式： newValue = (oldValue-min)/(max-min)
min和max分别是数据集中的最小特征值和最大特征值。

在KNN.py中增加一个新函数autoNorm()

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

2.2.4 测试算法： 作为完整的程序验证分类器

在KNN.py中创建函数datingClassTest()

程序代码：

def datingClassTest():
	hoRatio = 0.10
	datingDataMat, datingLabels = file2matrix('datingTestSet.txt')
	normMat, ranges, minVals = autoNorm(datingDataMat)
	m = norMat.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)))

2.2.5 使用算法： 构建完整可用系统

将下列代码加入KNN.py

def classifyPerson():
	resultList = ['not at all','in small doses', 'in large doses']
	percentTats = float(raw_input('percentage of time spent playing video games?'))
	ffMiles = float(raw_input('frequent flier miles earned per year?'))
	iceCream = float(raw_input('liters of ice cream 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 personL',resultList[clasifierResult - 1])
	

2.3 示例：手写识别系统

def handwritingClassTest():
	import numpy as np
	import os
	def img2vector(filename):
		returnVect = np.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
	hwLabels = []
	trainingFileList = os.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 = os.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 += 1.0
		print("\nthe total number of errors is: %d"%errorCount)
		print("\nthe total error rate is:%f"%(errorCount/float(mTest)))

调用学习：

import KNN
KNN.handwritingClassTest()

第三章 决策树

决策树包含：判断模块、终止模块、分支。
优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。
缺点：可能会产生过度匹配问题。
使用数据类型：数值型和标称型。

1.1 决策树的构造

创建分支的伪代码函数createBranch():

检测数据集中的每个子项是否属于同一分类：
	if so return 类标签
	Else
		寻找划分数据集的最好特征
		划分数据集
		创建分支节点
			for每个划分的子集
				调用函数createBranch并增加返回结果到分支节点中
		return 分支节点

决策树的一般流程：

1. 收集数据： 可以使用任何方法。
2. 准备数据： 树构造算法只适用于标称型数据，因此数值型数据必须离散化。
3. 分析数据： 可以使用任何方法，构造树完成之后，我们应该检查图形是否符合预期。
4. 训练算法： 构造树的数据结构。
5. 测试算法： 使用经验树计算错误率。
6. 使用算法： 此步骤可以适用于任何监督学习算法，而使用决策树可以更好地理解数据的内在含义。

1.2 信息增益

划分数据集的最大原则是：将无序的数据变得更加有序。
在划分数据集之前之后信息发生的变化成为信息增益。
集合信息的度量方式成为香农熵或者简称为熵。

trees.py:

from math import log

def calcShannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet:
        currentLabel = featVec[-1]
        if currentLabel not in labelCounts.keys():
            labelCounts[currentLabel] = 0
        labelCounts[currentLabel] += 1
    shannonEnt = 0.0
    for ket in labelCounts:
        prob = float(labelCounts[key])/numEntries
        shannonEnt -= prob * log(prob, 2)
    return shannonEnt