李航《统计学习方法》----KNN--例题解析+ 机器学习实战

机器学习 专栏收录该内容
3 篇文章 0 订阅

(文章底部有代码和数据链接)

模型介绍

k近邻算法(k-nearest neighbor ,k-NN) 基本思想是:特征空间中的每个样本都可以用与它最近的K个邻居来代表。分类的过程是:k个邻居进行投票,将待预测样本归入得票最多的类别里面。

模型三要素

(1)k值的选择
(2)距离的度量方法
(3)分类决策规则

常见的距离度量方式

设两个n维向量
在这里插入图片描述
在这里插入图片描述
x1和x2之间的距离度量方式有:
1、曼哈顿距离:
在这里插入图片描述
2、欧氏距离:
在这里插入图片描述
3、切比雪夫距离:
在这里插入图片描述

模型优化

k近邻最简单的实现方法是线性扫描,即计算输入实例与每一个训练实例的距离,当训练集很大时,计算非常耗时,所以这种方法是不可行的。
那么如何快速找到样本点的最近邻?

搜索优化—KD树

kd树(K-dimension tree)是一种二叉树,表示对特征空间的一个划分;
构造kd’树的过程是不断的用垂直于坐标轴的超平面特征空间划分,构造一系列的矩形区域,kd树的每一个结点对应于一个k维超矩形区域。
利用kd树可以省去对大部分数据点的搜索,从而减少搜索的计算量。
课本例3.2
给定一个二维空间数据集:T={(2,3),(5,4),(9,6),(4,7),(8,1),(7,2)},构造一个平衡kd’树。
在这里插入图片描述
在这里插入图片描述
利用例3.2构造的kd树搜索(3,4.5),从根节点出发,判断3<7,属于左子树,再判断4.5>4,属于右叶子节点,计算(3,4.5)与(4,7)的距离等于2.69,初步的将该叶子节点当做最近邻点,再递归的向上回退,计算(3,4.5)与(5,4)的距离等于2.06;2.06,<2.69,将近邻点更新为(5,4);再计算(3,4.5)与(2,3)的距离等于1.8.更新近邻点为(2,3)。此时(2,3)已经是叶子节点,往上回溯到根节点,计算(3,4.5)与(7,2)的距离大于1.8,所以不更新近邻点。现在已经是根节点了,所以我们以(3,4.5)为圆心,1.8为半径画圆,判断这个圆与(7,2)右边的点是否相交,不想交就不用计算右子树了。
在这里插入图片描述

KNN模型的优缺点

一、优点

  1. 简单且容易实现
  2. 比较适合多分类问题
  3. 对异常值不大敏感
  4. 无数据输入假定,无需训练。

二、缺点

  1. 预测精度一般,大部分问题比不上基于数的方法
  2. 当样本存在范围重叠时,KNN的分类精度很低
  3. 每次分类一个样本都要计算所有数据,在大数据环境下不适应
  4. 当样本数据不平衡比较严重时,分类效果比较差

KNN模型的应用场景和注意点

一、应用场景

  • 比较适合数据量小且精度要求不高的数据
  • 比较适合不能一次性获取训练样本的情况

二、注意点

  • 特征数据归一化
  • k值得选择
  • 距离度量的方式

机器学习实战

例1、使用k-近邻算法分类一个电影是爱情片还是动作片。
表一
上表就是我们已有的数据集合,也就是训练样本集。这个数据集有两个特征,即打斗镜头数和接吻镜头数。除此之外,我们也知道每个电影的所属类型,即分类标签。用肉眼粗略地观察,接吻镜头多的,是爱情片。打斗镜头多的,是动作片。以我们多年的看片经验,这个分类还算合理。如果现在给我一部电影,你告诉我这个电影打斗镜头数和接吻镜头数。不告诉我这个电影类型,我可以根据你给我的信息进行判断,这个电影是属于爱情片还是动作片。而k-近邻算法也可以像我们人一样做到这一点,不同的地方在于,我们的经验更"牛逼",而k-邻近算法是靠已有的数据。比如,你告诉我这个电影打斗镜头数为2,接吻镜头数为102,我的经验会告诉你这个是爱情片,k-近邻算法也会告诉你这个是爱情片。你又告诉我另一个电影打斗镜头数为49,接吻镜头数为51,我"邪恶"的经验可能会告诉你,这有可能是个"爱情动作片",画面太美,我不敢想象。 (如果说,你不知道"爱情动作片"是什么?请评论留言与我联系,我需要你这样像我一样纯洁的朋友。) 但是k-近邻算法不会告诉你这些,因为在它的眼里,电影类型只有爱情片和动作片,它会提取样本集中特征最相似数据(最邻近)的分类标签,得到的结果可能是爱情片,也可能是动作片,但绝不会是"爱情动作片"。当然,这些取决于数据集的大小以及最近邻的判断标准等因素。

在这里插入图片描述
表二是计算所有样本点中已知电影与未知电影的距离,按距离的递增排序,可以找到k个距离最近的电影,假如k=3,则最靠近的电影依次是电影一、电影二、电影三;这三部电影都是爱情片,所以我们判定未知类型的电影也是爱情片。
k近邻算法的一般流程:

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

实现代码:

# -*- coding: utf-8 -*-
"""
Created on Mon Jan 13 10:14:17 2020

@author: 2010
"""

import numpy as np
import operator

"""
函数说明:创建数据集
group - 数据集
labels - 分类标签
"""

def createDataSet():
    group = np.array([[3,104],[2,100],[1,81],[101,10],[99,5],[98,2]])
    labels = ['爱情片','爱情片','爱情片','动作片','动作片','动作片']
    return group,labels

"""
函数说明:k-近邻算法
inX - 用于分类的数据(测试集)
dataSet - 用于训练的数据(训练集)
labes - 分类标签
k - kNN算法参数,选择距离最小的k个点
返回:
    sortedClassCount[0][0] - 分类结果
"""

def classify0(inX,dataSet,labels,k):
    dataSetSize = dataSet.shape[0]  #shape[0]表示dataSet的行数
    diffMat = np.tile(inX,(dataSetSize,1)) - dataSet  #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
    sqDiffMat = diffMat**2  #差的平方
    sqDistances = sqDiffMat.sum(axis=1) #sum()所有元素相加,sum(0)列相加,sum(1)行相加
    distances = sqDistances**0.5 #开方,计算出距离
    sortedDistIndices = distances.argsort() #返回distances中元素从小到大排序后的索引值
    classCount = {}
    for i in range(k): #取出前k个元素的类别    
        voteIlabel = labels[sortedDistIndices[i]]
        
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
                                                                    #计算类别次数
    
    
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True) #reverse降序排序字典
    
    return sortedClassCount[0][0]  #返回次数最多的类别,即所要分类的类别
if __name__ == '__main__':
    #创建数据集
    group, labels = createDataSet()
    #测试集
    test = [18,90]
    #kNN分类
    test_class = classify0(test, group, labels, 3)
    #打印分类结果
    print(test_class)

结果为:
在这里插入图片描述

例二:
海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选,但她并不是喜欢每一个人。经过一番总结,她发现自己交往过的人可以进行如下分类:

  • 不喜欢的人

  • 魅力一般的人

  • 极具魅力的人

    海伦收集约会数据已经有了一段时间,她把这些数据存放在文本文件datingTestSet.txt中,每个样本数据占据一行,总共有1000行。
    海伦收集的样本数据主要包含以下3种特征:

  • 每年获得的飞行常客里程数

  • 玩视频游戏所消耗时间百分比

  • 每周消费的冰淇淋公升数

数据集大致如下:
在这里插入图片描述

数据归一化

在这里插入图片描述
在计算样本2和3之间距离时:
在这里插入图片描述
在上述方程中,数字差值最大的属性对计算结果影响最大,也就是说,飞机里程数对于计算结果的影响会大于其他两个特征,原因仅仅是因为它的数值比较大。但是这三个特征对我们来说是同等重要的,飞机里程数不应该这么严重的影响计算结果。所以我们要对数据进行归一化处理。采用以下公式:

newvalue = (oldValue - min/max - min

max和min分别是数据集中的最大特征值和最小特征值
完整代码如下:

# -*- coding: utf-8 -*-
"""
Created on Mon Jan 13 10:34:46 2020

@author: 2010
"""
import numpy as np
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import operator
"""
函数说明:将文本记录转换为Numpy的解析程序
filename:文件的名称
returnMat:特征矩阵
classLabelVector:分类Label向量
"""

def file2matrix(filename):
    fr = open(filename) #打开文件
    arrayOlines = fr.readlines()  #读取内容
    numberOflines = len(arrayOlines) #文件行数
    returnMat = np.zeros((numberOflines,3)) # returnMat:numberOflines行,3列(因为有3个特征)
    classLabelVector = []  #分类标签向量
    index = 0  #行的索引值
    for line in arrayOlines:
        line = line.strip() #删除空白符(包括'\n','\r','\t',' ')
        listFromLine = line.split('\t') #将字符串根据'\t'分隔符进行切片。
        returnMat[index,:] = listFromLine[0:3]  #数据的前三列特征值取出
        #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
        if listFromLine[-1] == 'didntLike':
            classLabelVector.append(1)
        elif listFromLine[-1] == 'smallDoses':
            classLabelVector.append(2)
        elif listFromLine[-1] == 'largeDoses':
            classLabelVector.append(3)
        index += 1
    return returnMat, classLabelVector

"""
函数说明:可视化数据

datingDataMat : 特征矩阵
datingLabels :分类Label

"""
def showdatas(datingDataMat, datingLabels):
    #设置汉字格式
    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
    #将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
    #当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
    fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))

   
    LabelsColors = []
    for i in datingLabels:
        if i == 1:
            LabelsColors.append('black')
        if i == 2:
            LabelsColors.append('orange')
        if i == 3:
            LabelsColors.append('red')
    #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比',FontProperties=font)
    axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)
    axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占',FontProperties=font)
    plt.setp(axs0_title_text, size=9, weight='bold', color='red') 
    plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black') 
    plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')

    #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数',FontProperties=font)
    axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)
    axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)
    plt.setp(axs1_title_text, size=9, weight='bold', color='red') 
    plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black') 
    plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')

    #画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数',FontProperties=font)
    axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比',FontProperties=font)
    axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)
    plt.setp(axs2_title_text, size=9, weight='bold', color='red') 
    plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black') 
    plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')
    #设置图例
    didntLike = mlines.Line2D([], [], color='black', marker='.',
                      markersize=6, label='didntLike')
    smallDoses = mlines.Line2D([], [], color='orange', marker='.',
                      markersize=6, label='smallDoses')
    largeDoses = mlines.Line2D([], [], color='red', marker='.',
                      markersize=6, label='largeDoses')
    #添加图例
    axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
    axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
    axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
    #显示图片
    plt.show()

"""
函数说明:对数据进行归一化

dataSet:特征矩阵

normDataSet : 归一化后的特征矩阵
ranges : 数据范围
minVals: 数据最小值
"""

def autoNorm(dataSet):
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals
    normDataSet = np.zeros(np.shape(dataSet))
    m = dataSet.shape[0]
    normDataSet = dataSet - np.tile(minVals, (m, 1))
    normDataSet = normDataSet / np.tile(ranges, (m, 1))
    return normDataSet, ranges, minVals
"""
函数说明:k-近邻算法

inX : 用于分类的数据(测试集)
dataSet : 用于训练的数据(训练集)
labes : 分类标签
k : kNN算法参数,选择距离最小的k个点

sortedClassCount[0][0] : 分类结果

"""
def classify0(inX, dataSet, labels, k):
    #numpy函数shape[0]返回dataSet的行数
    dataSetSize = dataSet.shape[0]
    #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
    #二维特征相减后平方
    sqDiffMat = diffMat**2
    #sum()所有元素相加,sum(0)列相加,sum(1)行相加
    sqDistances = sqDiffMat.sum(axis=1)
    #开方,计算出距离
    distances = sqDistances**0.5
    #返回distances中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    #定一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        #取出前k个元素的类别
        voteIlabel = labels[sortedDistIndices[i]]        
        #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
        #计算类别次数
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #返回次数最多的类别,即所要分类的类别
    return sortedClassCount[0][0]


    
if __name__=="__main__":
#    filename = "datingTestSet.txt"
#    #打开并处理数据
#    datingDataMat, datingLabels = file2matrix(filename)
#    #showdatas(datingDataMat, datingLabels)
#    normDataSet, ranges, minVals = autoNorm(datingDataMat)
    filename = "datingTestSet.txt"
    #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
    datingDataMat, datingLabels = file2matrix(filename)
    showdatas(datingDataMat, datingLabels)
    #取所有数据的百分之十
    hoRatio = 0.10
    #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
    normMat, ranges, minVals = autoNorm(datingDataMat)
    #获得normMat的行数
    m = normMat.shape[0]
    #百分之十的测试数据的个数
    numTestVecs = int(m * hoRatio)
    #分类错误计数
    errorCount = 0.0

    for i in range(numTestVecs):
        #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
        classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],
            datingLabels[numTestVecs:m], 4)
        print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))
        if classifierResult != datingLabels[i]:
            errorCount += 1.0
    print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))


运行结果:
在这里插入图片描述
在这里插入图片描述
数据集和代码

  • 1
    点赞
  • 2
    评论
  • 4
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

相关推荐
©️2020 CSDN 皮肤主题: 数字20 设计师:CSDN官方博客 返回首页
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值