使用K-近邻算法改进约会网站的配对效果
参考自:https://blog.csdn.net/c406495762/article/details/75172850
例子说明:
我的朋友海伦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
人选,但她没有从中找到喜欢的人。经过一番总结,她发现曾交往过三种类型的人:
□ 不喜欢的人
□ 魅力一般的人
□ 极具魅力的人
尽管发现了上述规律,但海伦依然无法将约会网站推荐的匹配对象归人恰当的分类。她觉得可以在周一到周五约会那些魅力一般的人,而周末则更喜欢与那些极具魅力的人为伴。海伦希望让未来触手可及我们的分类软件可以更好地帮助她将匹配对象划分到确切的分类中。此外海伦还收集了一些约会网站未曾记录的数据信息,她认为这些数据更有助于匹配对象的归类。
练习内容
(1)收集数据:提供文本文件。
(2)_准备数据: 使用python解析文本文件。
(3)分析数据:使用matplotlib化画二维扩散图。
(4)训练算法:此步驟不适用于K近邻算法。
(5)测试算法:使用海伦提供的部分数据作为测试样本。测试样本和非测试样本的区别在于:测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记为一个错误。
(6)使用算法:产生简单的命令行程序,然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import numpy as np
import operator
'''
函数说明:kNN算法,分类器
Parameters:
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
Returns:
sortedClassCount[0][0] - 分类结果
'''
def classify0(inX,dataSet,labels,k):
dataSetSize=dataSet.shape[0] #shape[0]返回dataset的行数
diffMat=np.tile(inX,(dataSetSize,1)) - dataSet
#在行向量上重复inX共dataSetSize次,列向量上重复一次inX
sqDiffMat=diffMat**2 #二维特征相减后平方
sqDistances=sqDiffMat.sum(axis=1) #sum(1),在同一行的所有元素相加
distances=sqDistances**0.5 #开方,计算距离
sortedDistIndices = distances.argsort() #返回distances中元素从小到大排序后的索引值
classCount={} #定义一个记录类别次数的字典
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
sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
# key=operator.itemgetter(1)根据字典的值进行降序排序
return sortedClassCount[0][0] #返回次数最多的类别,即所要分类的类别
'''
函数说明:打开并解析文件,对数据进行分类:1代表喜欢,2代表魅力一般,3代表极具魅力
Parameters:
filename
Return:
returnMat--特征矩阵
classLabelVector--分类label向量
'''
def file2matrix(filename):
fr=open(filename) #打开读取文件
arrayOLines = fr.readlines(); #读取文件内容
numberOfLines = len(arrayOLines); #得到文件行数
returnMat = np.zeros((numberOfLines,3)) #返回numpy矩阵,解析完成的数据:numbeiOfLines行,3列
classLabelVector=[] #返回的分类标签向量,原始为空
index=0 #行的索引
for line in arrayOLines:
line = line.strip() #s.strip(rm),当rm为空时,默认删除空白符(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] #将数据前三列取出来,存放到returnMat的numpy矩阵中,也就是特征矩阵
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
'''
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) #获得数据的最小值,min(0)返回该矩阵中每一列的最小值
maxVals = dataSet.max(0) #获得数据的最大值
ranges = maxVals - minVals #最大值和最小值的范围
normDataSet = np.zeros(np.shape(dataSet)) #shape(dataSet)返回dataSet的矩阵行列数
m=dataSet.shape[0] #返回dataSet的行数
normDataSet=dataSet - np.tile(minVals,(m,1)) #原始值减去最小值
normDataSet=normDataSet/np.tile(ranges,(m,1)) #除以最大和最小值的差,得到归一化数据
return normDataSet,ranges,minVals #返回归一化数据结果,数据范围,最小值
'''
通过输入一个人的三维数据特征进行分类
'''
def classifyPerson():
resulList=['讨厌','有些喜欢','非常喜欢'] #输出结果
percentTats = float(input("玩视频游戏所消耗时间百分比:"))
ffMiles = float(input("每年获得的飞行常客里程数:"))
iceCream = float(input("每周消费的冰激凌公升数:"))
filename = "DataTestSet"
datingDataMat,datingLabels = file2matrix(filename) #打开文件并处理数据
normDataSet,ranges,minVals = autoNorm(datingDataMat) #归一化训练集
inArr = np.array([percentTats,ffMiles,iceCream]) #生成numpy测试数组
norminArr = (inArr - minVals)/ranges
classifierResult = classify0(norminArr,normDataSet,datingLabels,3) #分类结果
print("你可能%s这个人" %(resulList[classifierResult-1]))
# '''
# 机器学习算法一个很重要的工作就是评估算法的正确率,通常我们只提供已有数据的90%作为训练样本来训练分类器,
# 而使用其余的10%数据去测试分类器,检测分类器的正确率。需要注意的是,10%的测试数据应该是随机选择的,由于海伦
# 提供的数据并没有按照特定目的来排序,所以我么你可以随意选择10%数据而不影响其随机性。
# '''
#
# def datingClassTest():
# filename="DataTestSet"
# datingDataMat,datingLabels = file2matrix(filename) #将特征矩阵和分类向量分别添加到datingDataMat和datingLabels
# hoRatio=0.10 #测试集为所有数据的10%
# normMat,ranges,minVals=autoNorm(datingDataMat) #数据归一化后的矩阵,范围,最小值
# m=normMat.shape[0] #获取数据的行数
# numTestVecs=int(m*hoRatio)
# errorCount=0.0 #计算分类错误的数量
#
#
# for i in range(numTestVecs):
# classifierResult=classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],4)
# #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
#
# 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))
#
# '''
# 数据可视化
#
# '''
# 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))
#
# numberOfLabels = len(datingLabels)
# 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()
if __name__ == '__main__':
# filename='DataTestSet'
# datingDataMat,datingLabels = file2matrix(filename)
# normDataSet,ranges,minVals = autoNorm(datingDataMat)
# print(datingDataMat)
# print(datingLabels)
# print(minVals)
#datingClassTest()
#showfig = showdatas(datingDataMat, datingLabels)
classifyPerson()