k邻近算法基于距离的测量,选取距离最近的特征值,即为预测的结果。该算法是一种监督算法,基于大量数据的基础上,做出相应的预测,一般运用于手写数字识别,约会网站的大量数据匹配等等。
其优点是:精度高,对异常值不敏感,无数据输入假定
其缺点是:计算复杂度高,空间复杂度高
适用数据范围是:数值型和标称型
首先,需要导入需要的库
from numpy import *
import operator
接着创建一个数据集
def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) #生成一个数组
labels = ['A','A','B','B'] #表示数据对应的属性,列表方式存储
return group,labels
通过
group,labels = createDataSet()
print(‘group= ’ ,group)
print('labels= ',labels)
可以得到以下结果:
即基本的k邻近算法基本需要以上两种:数据集和对应的属性特征
k邻近算法的实现:
def classify0(inX,dataSet,labels,k): #k代表选取前k个距离最近的点
dataSetSize = dataSet.shape[0] #获得该数据集的行数
'''tile(A,rep) 功能是重复A的各个维度 A指所有类 rep指各个维度重复次数
rep中 若仅一个数字表示列方向复制n次 '''
diffMat = tile(inX,(dataSetSize,1)) - dataSet
#以下计算最短距离
sqDiffMat = diffMat **2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances **0.5
sortedDistIndicies = distances.argsort() #argsort通过调用获得距离由小至大在原数组中的下标
classCount = {} #新建一个字典
for i in range(dataSetSize):
#依次取出最小距离下标对应的特征属性
votelabels = labels[sortedDistIndicies[i]]
#字典的get方法默认参数,当该字典存在则执行加1,否则添加字典,并默认为后一个参数的值
classCount[vote] = classCount.get(votelabels,0) + 1
#按照大小排序,得到的是由大至小的排序,需要对reverse赋值True,得到由小至大的序列
sortedClassCount = sorted(classCount.item(),key=operator.itemgetter(1),reverse=True)
return sortedClassCount[0][0] #返回距离最小的元素标签
1、书上提供了一个示例,通过对约会网站的数据分析,在输入相应的信息之后,自动匹配结果
注:约会数据存放在datingTestSet.txt中,最后一行数据是文本类型,在datingTestSet2.txt中转换为int类型,所以接下来使用的是datingTestSet2.txt
该样本主要包含以下3种特征:
- 每年获得的飞行常客里程数
- 玩视频游戏所耗时间百分比
- 每周消费的冰淇淋公升数
所以,要创建名为file2matrix函数处理输入格式的问题
先来看看datingTestSet2.txt中的内容:
前三列分别是我们所需要的数据,最后一列是特征属性,file2matrix函数如下:
def file2matrix(filename):
fr = open(filename)
array0lines = fr.readlines()
numberOfLines = len(array0lines) #得到文件行数
returnMat = zeros((numberOfLines,3)) #创建返回的Numpy矩阵,此为零矩阵(文件行数,3列)
classLabelVector = []
index = 0
for line in array0lines:
#Python strip() 方法用于移除字符串头尾指定的字符(默认为空格或换行符)或字符序列。
line = line.strip()
# print(line)
listFromLine = line.split('\t') #以制表符(即不使用表格下在垂直方向按列对齐文本)分开
#使用tab字符\t将上一步得到的整行数据分割成一个元素列表
# print(listFromLine)
returnMat[index,:] = listFromLine[0:3] #选取前3个元素存储到特征矩阵中
# print(returnMat[index,1])
classLabelVector.append(int(listFromLine[-1])) #将列表的最后一列存储到向量
#classLabelVector中
# print(classLabelVector)
index +=1
return returnMat,classLabelVector
处理以后的数据如下:
归一化
上图中的数据参差不齐,值较大和值较小的数在计算过程中会产生较大的误差,所以我们必须采取某种方法使得数据处于0到1,或者是-1到1之间,简称归一化。
可由以下公式所得:
我们创建一个autoNorm函数进行归一化的处理
def autoNorm(dataSet):
minVals = dataSet.min(0) #每一列中最小的数,生成一个列表
maxVals = dataSet.max(0) #每一列中最大的数,生成一个列表
ranges = maxVals - minVals,#范围
normDataSet = zeros(shape(dataSet))
m = dataSet.shape[0] #得到数据集的行数
normDataSet = dataSet - tile(minVals,(m,1))
normDataSet = normDataSet/tile(ranges,(m,1))
return normDataSet,ranges,minVals
对上面数据进行归一化处理得到如下结果:
通过各个部分的功能实现,已经可以实现对约会网站数据的预测,接下来是预测函数的编写。
def classifyPerson():
resultList = ['not at all','in small doses','in large doses'] #特征属性,表明你的态度
percentTats = float(input('percentage of time spent playing video games? '))
ffMiles = float(input('frequent flier miles earned per year? '))
iceCream = float(input('liters of ice cream consumed per year?'))
datingDataSet,datingLabels = file2matrix('datingTestSet2.txt')
normMat,ranges,minVals = autoNorm(datingDataSet)
inArr = array([ffMiles,percentTats,iceCream])
classifierResult = classify0((inArr - minVals)/ranges),normMat,datingLabels,3)
print('You will probably like this person: ',resultList[classifierResult - 1])
总代码如下:
from numpy import *
import operator
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
sortedDistIndicies = distances.argsort()
# print('sortedDistancesindics:',sortedDistIndicies)
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
# print(voteIlabel)
classCount[voteIlabel] = classCount.get(voteIlabel,0) +1
# print(classCount)
sortedClassCount = sorted(classCount.items(),key = operator.itemgetter(1),reverse=True)
# print(sortedClassCount)
return sortedClassCount[0][0]
def file2matrix(filename):
fr = open(filename)
array0lines = fr.readlines()
numberOfLines = len(array0lines)
returnMat = zeros((numberOfLines,3))
classLabelVector = []
index = 0
for line in array0lines:
line = line.strip()
# print(line)
listFromLine = line.split('\t')
returnMat[index,:] = listFromLine[0:3]
classLabelVector.append(int(listFromLine[-1]))
index +=1
# print(returnMat)
# print(classLabelVector)
return returnMat,classLabelVector
def autoNorm(dataSet):
minVals = dataSet.min(0)
# print(minVals)
maxVals = dataSet.max(0)
ranges = maxVals - minVals
normDataSet = zeros(shape(dataSet))
# print(normDataSet)
m = dataSet.shape[0]
# print(m)
normDataSet = dataSet - tile(minVals,(m,1))
# print(tile(minVals,(m,1)))
normDataSet = normDataSet/tile(ranges,(m,1))
# print(normDataSet)
return normDataSet,ranges,minVals
def datingClassTest():
hoRatio = 0.10
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
errorCount = 0.0
m = datingDataMat.shape[0]
numTestVecs = int(m * hoRatio)
for i in range(numTestVecs):
# print(normMat[numTestVecs:m,:])
classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
print('the classfierResult 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(input('percentage of time spent playing video games?'))
ffMiles = float(input('frequent flier miles earned per year?'))
iceCream = float(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 person:',resultList[classifierResult - 1])