机器学习实战是将机器学习的十大学习算法用python语言实现出来,其中用到NumPy,matplotlib函数库,具体安装的方法可google,这一系列笔记是记录其中python代码的解释,毕竟python不是很熟悉,除了体会算法的思想,还能学习巩固python。关于这些算法的详细内容,我是根据另一本书学习的,是李航的《统计学习方法》。
k近邻算法
<pre name="code" class="python">from numpy import *
import operator #导入operator模块,排序函数需要用到
def createDataSet(): #创建数据集
group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) #4*2矩阵,这里使用array,而不是mat
labels = ['A', 'A', 'B', 'B'] #对应的标签
return group, labels
def classify0(inX, dataSet, labels, k): #k近邻算法,最主要的内容
dataSetSize = dataSet.shape[0] #获得数据集的个数,例如4*2的矩阵,shape返回(4,2),那么shape[0]即4
diffMat = tile(inX, (dataSetSize, 1)) - dataSet #tile函数这里的意思是创建4*1的矩阵,每一个元素是InX,其实变成了和dataSet一样的形式,这样就能相减
sqDiffMat = diffMat ** 2 #相减之后平方
sqDistances = sqDiffMat.sum(axis = 1) #计算每一行的和,axis=1说明是计算行,=0说明计算列
distances = sqDistances ** 0.5 #开根号,计算出测试点与数据集中的每一点的距离
sortedDistIndices = distances.argsort() #进行排序,不过得到的矩阵是排序后的元素在原来未排序矩阵的索引
classCount = {} #创建一个字典
for i in range(k): #要k个近邻,循环
voteIlabel = labels[sortedDistIndices[i]] #因为sortedDistIndices里的元素是索引的位置,所以得到的标签就是原来所在位置的标签
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #将这个标签作为一个key,并加1,如果以后又有相同的再加1,get(key, something)函数是如果不存在这个key就返回something,
sortedClassCount = sorted(classCount.iteritems(), key = operator.itemgetter(1), reverse = True) #sorted函数和sort函数区别是它创建的是一个新的对象,iteritems是遍历字典的键值,降序
#operator.itemgetter函数获取的不是值,而是定义了一个函数,通过该函数作用到对象上才能获取值。参数中的数字是维度,这里是获得第一维度
return sortedClassCount[0][0]
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines() #读文本中的每一行
numberOfLines = len(arrayOLines) #总共有几行
returnMat = zeros((numberOfLines, 3)) #创建一个全是0的矩阵,行数为nunOfLines,列数为3
classLabelVector = []
index = 0
for line in arrayOLines: #迭代每一行
line = line.strip() #去掉每一行开头的回车符
listFromLine = line.split('\t') #以制表符切分
returnMat[index, :] = listFromLine[0 : 3] #返回的矩阵为切分好的前3列
classLabelVector.append(int(listFromLine[-1])) #在标签矩阵是切分好的最后一列
index += 1
return returnMat, classLabelVector
def autoNorm(dataSet):
minVals = dataSet.min(0) #获得每一列的最小值
maxVals = dataSet.max(0) #获得每一列的最大值
ranges = maxVals - minVals
normDataSet = zeros(shape(dataSet)) #获得与数据集合相同大小的矩阵
m = dataSet.shape[0] #获得数据的多少
normDataSet = dataSet - tile(minVals, (m, 1))
normDataSet = normDataSet / tile(ranges, (m, 1))
return normDataSet, ranges, minVals
def datingClassTest():
hoRatio = 0.1 #测试数据的比例
datingDataMat, datingLabels = file2matrix('datingTestSet.txt')
norMat, ranges, minVals = autoNorm(datingDataMat)
m = norMat.shape[0]
numTestVecs = int(m * hoRatio)
errorCount = 0.0
for i in range(numTestVecs):
classifierResult = classify0(norMat[i, :], norMat[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))
def classifyPerson():
resultList = ['not at all', 'in small doses', 'in large doses']
percentTats = float(raw_input("percentage of time spent playing vedio 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('datingTestSet.txt')
norMat, ranges, minVals = autoNorm(datingDataMat)
inArr = array([ffMiles, percentTats, iceCream])
classifierResult = classify0((inArr - minVals) / ranges, norMat, datingLabels, 3)
print "You will probably like this person: ", resultList[classifierResult - 1]
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