类聚算法matlab,机器学习实战ByMatlab（一）KNN算法

KNN 算法其实简单的说就是“物以类聚”，也就是将新的没有被分类的点分类为周围的点中大多数属于的类。它采用测量不同特征值之间的距离方法进行分类，思想很简单：如果一个样本的特征空间中最为临近(欧式距离进行判断)的K个点大都属于某一个类，那么该样本就属于这个类。这就是物以类聚的思想。

当然，实际中，不同的K取值会影响到分类效果，并且在K个临近点的选择中，都不加意外的认为这K个点都是已经分类好的了，否则该算法也就失去了物以类聚的意义了。

KNN算法的不足点：

1、当样本不平衡时，比如一个类的样本容量很大，其他类的样本容量很小，输入一个样本的时候，K个临近值中大多数都是大样本容量的那个类，这时可能就会导致分类错误。改进方法是对K临近点进行加权，也就是距离近的点的权值大，距离远的点权值小。

2、计算量较大，每个待分类的样本都要计算它到全部点的距离，根据距离排序才能求得K个临近点，改进方法是：先对已知样本点进行剪辑，事先去除对分类作用不大的样本。

适用性：

适用于样本容量比较大的类域的自动分类，而样本容量较小的类域则容易误分

算法描述：

1、计算已知类别数据集合汇总的点与当前点的距离

2、按照距离递增次序排序

3、选取与当前点距离最近的K个点

4、确定距离最近的前K个点所在类别的出现频率

5、返回距离最近的前K个点中频率最高的类别作为当前点的预测分类

Python 实现

from numpy import *

import operator

def createDataSet():

group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])

lables = ['A','A','B','B']

return group,lables

# KNN 分类算法

def classify0(inx,dataSet,labels,k):

dataSetSize = dataSet.shape[0] # shape[0]获取行 shape[1] 获取列

# 第一步，计算欧式距离

diffMat = tile(inx,(dataSetSize,1)) - dataSet #tile类似于matlab中的repmat，复制矩阵

sqDiffMat = diffMat ** 2

sqDistances = sqDiffMat.sum(axis=1)

distance = sqDistances ** 0.5

sortedDistIndecies = distance.argsort() # 增序排序

classCount = {}

for i in range(k):

# 获取类别

voteIlabel = labels[sortedDistIndecies[i]]

#字典的get方法，查找classCount中是否包含voteIlabel，是则返回该值，不是则返回defValue，这里是0

# 其实这也就是计算K临近点中出现的类别的频率，以次数体现

classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1

# 对字典中的类别出现次数进行排序，classCount中存储的事 key-value，其中key就是label，value就是出现的次数

# 所以key=operator.itemgetter(1)选中的事value，也就是对次数进行排序

sortedClassCount = sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)

#sortedClassCount[0][0]也就是排序后的次数最大的那个label

return sortedClassCount[0][0]

调用方式：

import sys;

sys.path.append("/home/llp/code/funcdef")

import KNN

group,labels = KNN.createDataSet();

relust = KNN.classify0([0,0],group,labels,3)

print 'the classify relust is :' , relust

Matlab 实现

这里以一个完整实例呈现，代码如下：

function relustLabel = KNN(inx,data,labels,k)

%%

% inx 为 输入测试数据，data为样本数据，labels为样本标签

%%

[datarow , datacol] = size(data);

diffMat = repmat(inx,[datarow,1]) - data ;

distanceMat = sqrt(sum(diffMat.^2,2));

[B , IX] = sort(distanceMat,'ascend');

len = min(k,length(B));

relustLabel = mode(labels(IX(1:len)));

end

可以看到，整个KNN算法的Matlab代码也就只有6行，比Python少很多，这其中要得益于Matlab成熟的矩阵计算和很多成熟的函数。

实际调用中，我们利用一个数据集进行测试，该数据集是由1000个样本的3维坐标组成，共分为3个类

首先可视化我们的数据集，看看它的分布：

第一维和第二维：可以清晰地看到数据大致上分为 3 类

第1维和第3维：从这个角度看，3类的分布就有点重叠了，这是因为我们的视角原因

画出3维，看看它的庐山真面目：

由于我们已经编写了KNN代码，接下来我们只需调用就行。了解过机器学习的人都应该知道，很多样本数据在代入算法之前都应该进行归一化，这里我们将数据归一化在[0,1]的区间内，归一化方式如下：

newData = (oldData-minValue)/(maxValue-minValue)

其中，maxValue为oldData的最大值，minValue为 oldData 的最小值。

同时，我们对于1000个数据集，采取10%的数据进行测试，90%的数据进行训练的方式，由于本测试数据之间完全独立，可以随机抽取10%的数据作为测试数据，代码如下：

function KNNdatgingTest

%%

clc

clear

close all

%%

data = load('datingTestSet2.txt');

dataMat = data(:,1:3);

labels = data(:,4);

len = size(dataMat,1);

k = 4;

error = 0;

% 测试数据比例

Ratio = 0.1;

numTest = Ratio * len;

% 归一化处理

maxV = max(dataMat);

minV = min(dataMat);

range = maxV-minV;

newdataMat = (dataMat-repmat(minV,[len,1]))./(repmat(range,[len,1]));

% 测试

for i = 1:numTest

classifyresult = KNN(newdataMat(i,:),newdataMat(numTest:len,:),labels(numTest:len,:),k);

fprintf('测试结果为：%d 真实结果为：%d\n',[classifyresult labels(i)])

if(classifyresult~=labels(i))

error = error+1;

end

end

fprintf('准确率为：%f\n',1-error/(numTest))

end

当我们选择K为4的时候，准确率为：97%

KNN进阶

接下来我们将运用KNN算法实现一个手写识别系统，训练数据集大约2000个样本，每个数字大概有200个样本

测试数据大概有900个样本，由于每个样本都是一个32x32的数字，我们将其转换为1x1024的矩阵，方便我们利用KNN算法

数据如下：

由于数据量比较大，加载数据的时候回花一点时间，具体代码如下：

function handWritingTest

%%

clc

clear

close all

%% 获取目录下的所有txt文件名称

d = dir(['digits/trainingDigits/' '*.txt']); % struct 类型

dircell = struct2cell(d); %cell 类型

trainSetLen = size(dircell,2);

K = 4;

dataSize = 1024;

trainLabels = zeros(trainSetLen,1);

trainSet = [];

simpleTrainSet = zeros(1,dataSize);

simpleTestSet = zeros(1,dataSize);

%% 加载数据

fprintf('loading data...')

for i = 1:trainSetLen

trainName = dircell(1,i);

trainFilename = cell2mat(trainName);

trainLabels(i) = str2num(trainFilename(1));

fid = fopen(['digits/trainingDigits/' trainFilename],'r');

traindata = fscanf(fid,'%s');

for j = 1:dataSize

simpleTrainSet(j) = str2num(traindata(j));

end

trainSet = [trainSet ; simpleTrainSet];

fclose(fid);

end

d = dir(['digits/testDigits/' '*.txt']); % struct 类型

dircell = struct2cell(d); %cell 类型

testSetLen = size(dircell,2);

error = 0;

%% 测试数据

for k = 1:testSetLen

testName = dircell(1,k);

testFilename = cell2mat(testName);

testLabels = str2num(testFilename(1));

fid = fopen(['digits/testDigits/' testFilename],'r');

testdata = fscanf(fid,'%s');

for j = 1:dataSize

simpleTestSet(j) = str2num(testdata(j));

end

classifyResult = KNN(simpleTestSet,trainSet,trainLabels,K);

fprintf('识别数字为：%d 真实数字为：%d\n' , [classifyResult , testLabels])

if(classifyResult~=testLabels)

error = error+1;

end

fclose(fid);

end

fprintf('识别准确率为：%f\n',1-error/testSetLen)

end

不同的K识别准确率稍有不同，当K为4的时候，准确率为 98.31%

全部代码跟数据均存放在 GitHub 上，可以下载。如果觉得有用就请给个star吧。