机器学习之K-近邻算法

    本文主要记录本人在学习机器学习过程中的相关代码实现，参考《机器学习实战》

'''
对未知类别属性的数据集中的每个点依次执行以下操作:
(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序;
(3) 选取与当前点距离最小的走个点;
(4) 确定前灸个点所在类别的出现频率;
(5) 返回前女个点出现频率最高的类别作为当前点的预测分类。
'''
from numpy import *
import operator
import matplotlib
import matplotlib.pyplot as plt
from os import listdir
def createDataSet():
    group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels=['A','A','B','B']
    return group,labels

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
    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]
    
#~ group,labels=createDataSet()
#~ y=classify0([0,0],group,labels,3)
#~ print(y)
def file2matrix(filename):
    with open(filename) as fr:
        arrayOLines=fr.readlines()
        numberOfLines=len(arrayOLines)
        returnMat=zeros((numberOfLines,3))
        classLabelVector=[]
        index=0
        for line in arrayOLines:
            line=line.strip()
            listFromLine=line.split('\t')
            returnMat[index,:]=listFromLine[0:3]
            classLabelVector.append(int(listFromLine[-1]))
            index+=1
        return returnMat,classLabelVector

#~ newValue = (oldValue - min)/(max-min)
def autoNorm(dataSet):
    #~ 我 们 将 每 列 的 最 小 值 放 在 变 量 minVals 中 ,将 最 大 值 放 在 变 量
    #~ m a x V a l s * , 其 中 如 匕 3 杜 . ^ ^ ( 0 ) 中的参数 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)
    maxVals=dataSet.max(0)
    ranges=maxVals-minVals
    normDataSet=zeros(shape(dataSet))
    m=dataSet.shape[0]
    normDataSet=dataSet-tile(minVals,(m,1))
    #~ 对于某些数值处理软件包, / 可能意味着矩阵除法 ,但在numpy库中 ,矩阵除法需要使用函数
    #~ linalg.solve(matA ,matB)
    normDataSet=normDataSet/tile(ranges,(m,1))
    return normDataSet,ranges,minVals

def datingClassTest():
    hoRatio=0.10
    datingDataMat,datingLabels=file2matrix('datingTestSet2.txt')
    normMat,ranges,minVals=autoNorm(datingDataMat)
    m=normMat.shape[0]
    numTestVecs=int(m*hoRatio)
    errorCount=float(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(errorCount)
    print("the total error rate is :%f" % (errorCount/float(numTestVecs)))

def classifyPerson():
    resultList=['not at all','in small doses','in large doses']
    percentTats=float(input('玩视频游戏所占时间百分比？'))
    ffMiles=float(input('每年飞行的距离？'))
    iceCream=float(input('每年吃的冰淇淋升数？'))
    datingDataMat,datingLabels=file2matrix("datingTestSet2.txt")
    normMat,ranges,minVals=autoNorm(datingDataMat)
    inArr=array([ffMiles,percentTats,iceCream])
    classifierResult=classify0((inArr-minVals)/ranges,normMat,datingLabels,3)
    print(resultList[classifierResult-1])

def img2vector(filename):
    returnVect=zeros((1,1024))
    with open(filename) as fr:
        for i in range(32):
            lineStr=fr.readline()
            for j in range(32):
                returnVect[0,32*i+j]=int(lineStr[j])
    return returnVect

def handwritingClassTest():
    hwLabels=[]
    trainingFileList=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=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)))

handwritingClassTest()
#~ testVector=img2vector('testDigits/0_13.txt')
#~ print(testVector[0,0:31])

#~ datingDataMat,datingLabels=file2matrix('datingTestSet2.txt')
#~ print(datinfLabels)
#~ fig=plt.figure()
#~ ax=fig.add_subplot(111)#参数349的意思是：将画布分割成3行4列，图像画在从左到右从上到下的第9块
#~ ax.scatter(datingDataMat[:,1],datingDataMat[:,2],
    #~ 15.0*array(datingLabels),15.0*array(datingLabels))
#~ plt.show()
#~ ax.scatter(datingDataMat[:,0],datingDataMat[:,1],
    #~ 15.0*array(datingLabels),15.0*array(datingLabels))
#~ plt.show()
#~ normMat,ranges,minVals=autoNorm(datingDataMat)
#~ print(normMat)
#~ print(ranges)
#~ print(minVals)

#~ datingClassTest()
#~ classifyPerson()