第二章 k-近邻算法

最新推荐文章于 2023-10-09 21:11:23 发布

小原小原吃汤圆

最新推荐文章于 2023-10-09 21:11:23 发布

阅读量899

点赞数

分类专栏： # 【一起来啃书】机器学习实战文章标签：近邻算法算法

本文链接：https://blog.csdn.net/weixin_42617472/article/details/122766843

版权

【一起来啃书】机器学习实战专栏收录该内容

2 篇文章 0 订阅

订阅专栏

第二章 k-近邻算法

2.1 k-近邻算法概述

原理：

k-近邻算法采用测量不同特征值之间的距离方法进行分类
存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数（一般为奇数）。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

示例：通过电影中的镜头出现次数判断电影的种类

请添加图片描述

①首先计算未知电影与样本集中其他电影的距离
请添加图片描述
②当得到样本集中所有电影与未知电影的距离，安装距离递增排序，可以找到k个距离最近的电影

③假定k=3，k-近邻算法按照距离最近的三部电影的类型，决定未知电影的类型，而这三部电影全是爱情片，因此我们判定未知电影是爱情片

优缺点：

优点：精度高、对异常值不敏感、无数据输入假定
缺点：计算复杂度高、空间复杂度高
使用数据范围：数值型和标称型

k-近邻算法的一般步骤

收集数据：可以使用任何方法
准备数据：距离计算所需要的数值，最好是结构化的数据格式
分析数据：可以使用任何方法
训练算法：此步骤不适用k-近邻算法
测试算法：计算错误率
使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k-近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理

2.1.1 准备：使用Python导入数据

import numpy as np
import operator
import matplotlib.pyplot as plt

"""
函数说明：创建数据集和标签

"""
def createDataSet():
    #group包含了四组数据
    group = np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    #labels包含的元素个数等于group矩阵行数
    labels = ['A','A','B','B']
    return group,labels

group,labels = createDataSet()
print(group)
print(labels)

plt.scatter(x=group[:,0],y=group[:,1])
plt.show()

2.1.2 从文本文件中解析数据

使用k-近邻算法将每组数据划分到某个类中：

对未知类别属性的数据集中的每个点依次执行以下操作：

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
选取与当前点距离最小的k个点
确定前k个点所在类别的出现频率
返回前k个点出现频率最高的类别作为当前点的预测分类

import numpy as np
import operator
import matplotlib.pyplot as plt

"""
函数说明：创建数据集和标签

"""
def createDataSet():
    #group包含了四组数据
    group = np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    #labels包含的元素个数等于group矩阵行数
    labels = ['A','A','B','B']
    return group,labels

"""
函数说明：分类器

Parameters:
    inX-用于分类的输入向量（要对其进行分类的向量）
    dataSet-输入的训练样本集
    labels-标签向量，标签向量的元素数目和矩阵dataSet的行数相同
    k-用于选择最近邻居的数据
"""
def classify0(inX,dataSet,labels,k):
    #获取训练样本集的行数
    dataSetSize = dataSet.shape[0]
    #对输入向量进行复制，使其格式与dataSet相同，之后两个矩阵相减
    diffMat = np.tile(inX,(dataSetSize,1))-dataSet
    #对矩阵中的每个值进行乘方
    sqDiffMat = diffMat**2
    #sum就是求和，axis表示沿着axis方向求和
    #axis=1按行的方向相加，返回每行的值
    #axis=0按列的方向相加，返回每列的值
    sqDistances = sqDiffMat.sum(axis=1)
    #开根号后得到距离
    distances = sqDistances**0.5
    #numpy.argsort() 函数返回的是数组值从小到大的索引值。
    sortedDistIndicies = distances.argsort()
    #创建一个字典用于保存标签及其出现的次数
    classCount = {}
    for i in range(k):
        #将距离从小到大进行排序，并取得对应的标签
        voteIlabel = labels[sortedDistIndicies[i]]
        #统计对应标签出现的次数
        classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
    #operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为一些序号。
    #参数为1表示对标签出现的次数进行排序，并且是从大到小排序
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #获得对应的标签
    return sortedClassCount[0][0]

if __name__=="__main__":
    group,labels = createDataSet()
    result = classify0([1,1.2],group,labels,3)
    print(result)

2.1.3 如何测试分类器

为了测试分类器的效果，我们可以使用已知答案的数据，当然答案不能告诉分类器，检验分类器给出的结果是否符合预期结果。
通过大量的测试数据，我们可以得到分类器的错误率——分类器给出错误结果的次数除以测试执行的总数。
错误率是常用的评估方法，主要用于评估分类器在某个数据集上的执行效果。完美分类器的错误率为0，最差分类器的错误率是1。

2.1.4 其他的距离公式

①欧式距离

欧几里得度量(educlidean metric)，指在m维空间中两点之间的真实距离，或者向量的自然长度，即该点到原点的距离。
请添加图片描述

import numpy as np
from scipy.spatial.distance import pdist

x = np.array([1,2])
y = np.array([0,1])
dist = np.sqrt(np.sum(np.square(x-y)))
print(dist)

dist2 = pdist(np.vstack([x,y]))
print(dist2)

②曼哈顿距离

Manhattan Distance，也称为城市街区距离（City Block distance）。如果把欧式距离理解成点到点的直线距离，那么曼哈顿距离就指的是两点之间的实际距离（不一定是直线）。
在这里插入图片描述

import numpy as np
from scipy.spatial.distance import pdist

x = np.array([1,2])
y = np.array([0,1])
dist = np.sum(np.abs(x-y))
print(dist)

dist2 = pdist(np.vstack([x,y]),'cityblock')
print(dist2)

③切比雪夫距离

在这里插入图片描述

import numpy as np
from scipy.spatial.distance import pdist

x = np.array([1,2])
y = np.array([0,1])
dist = np.max(np.abs(x-y))
print(dist)

dist2 = pdist(np.vstack([x,y]),'chebyshev')
print(dist2)

④马氏距离

（Mahalanobis Distance）
在这里插入图片描述
若协方差矩阵是单位矩阵，即各个样本向量之间独立同分布，则公式就变成了欧式距离：

若协方差矩阵是对角矩阵，公式就变成了标准化欧式距离:

2.1.5 实例：判断电影的类型

import numpy as np
import operator
import matplotlib.pyplot as plt

def createDataSet():
    dataSet = 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 dataSet,labels

def classify0(inX,dataSet,labels,k):
    dataSetSize = dataSet.shape[0]
    diffMat = np.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]

if __name__=="__main__":
    dataSet,labels = createDataSet()
    result = classify0([23,111],dataSet,labels,5)
    print(result)

2.2 示例：使用k-近邻算法改进约会网站的配对效果

海伦将约会对象分为三类：①不喜欢的人②魅力一般的人③极具魅力的人。k-近邻算法步骤为：

收集数据：提供文本文件
准备数据：使用Python解析文本文件
分析数据：使用Matplotlib画二维扩散图
训练算法：此步骤不适用于k-近邻算法
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。
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

2.2.1 准备数据：从文本文件中解析数据

约会数据存放在文件文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。海伦的样本主要包含以下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
每周消费的冰激淋公升数

在将上述特征数据输入到分类器之前，必须将待处理数据的格式改变为分类器可以接受的格式。在kNN.py中创建名为file2matrix的函数，以此来处理输入格式问题。该函数的输入为文件名字符串，输出为训练样本矩阵和类标签向量。

import numpy as np

"""
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-文件名
Returns：
    returnMat-特征矩阵
    classLabelVector-分类Label向量
"""
def file2matrix(filename):
    #打开存储数据的文件
    fr = open(filename)
    #readlines() 方法用于读取所有行(直到结束符 EOF)并返回列表，
    #该列表可以由 Python 的 for... in ... 结构进行处理。
    #如果碰到结束符 EOF 则返回空字符串。
    arrayOLines = fr.readlines()
    #获取文件中有多少行数据
    numberOfLines = len(arrayOLines)
    #新建一个矩阵用来存放约会对象的三个特征
    returnMat = np.zeros([numberOfLines,3])
    #新建一个列表用来存放约会对象对应的喜欢程度
    classLabelVector = []
    #用来遍历returnMat
    index = 0
    #逐行获取样本数据
    for line in arrayOLines:
        #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。
        #注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。
        line = line.strip()
        #split()函数通常用于将字符串切片并转换为列表
        listFromLine = line.split('\t')
        #将约会对象的三个特征存储在returnMat中
        returnMat[index,:] = listFromLine[0:3]
        #根据喜欢程度存储相应的数字
        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

if __name__=="__main__":
    returnMat,classLabelVector = file2matrix("datingTestSet.txt")
    print(returnMat)
    print(classLabelVector)

2.2.2 分析数据：使用Matplotlib创建散点图

import numpy as np
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt

"""
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-文件名
Returns：
    returnMat-特征矩阵
    classLabelVector-分类Label向量
"""
def file2matrix(filename):
    #打开存储数据的文件
    fr = open(filename)
    #readlines() 方法用于读取所有行(直到结束符 EOF)并返回列表，
    #该列表可以由 Python 的 for... in ... 结构进行处理。
    #如果碰到结束符 EOF 则返回空字符串。
    arrayOLines = fr.readlines()
    #获取文件中有多少行数据
    numberOfLines = len(arrayOLines)
    #新建一个矩阵用来存放约会对象的三个特征
    returnMat = np.zeros([numberOfLines,3])
    #新建一个列表用来存放约会对象对应的喜欢程度
    classLabelVector = []
    #用来遍历returnMat
    index = 0
    #逐行获取样本数据
    for line in arrayOLines:
        #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。
        #注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。
        line = line.strip()
        #split()函数通常用于将字符串切片并转换为列表
        listFromLine = line.split('\t')
        #将约会对象的三个特征存储在returnMat中
        returnMat[index,:] = listFromLine[0:3]
        #根据喜欢程度存储相应的数字
        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
Parameters：
    datingDataMat-特征矩阵
    datingLabels-分类label
Returns：
    无
"""
def showdatas(datingDataMat,datingLabels):
    #设置字体，不设置无法显示中文
    font = FontProperties(fname="siyuan.otf",size=14)
    """
    我们可以使用 pyplot 中的 **subplot()** 和 **subplots()** 方法来绘制多个子图。
    subplot() 方法在绘图时需要指定位置，**subplots()** 方法可以一次生成多个，在调用时只需要调用生成对象的 ax 即可。

    在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个或者多个Axes对象。每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域。
    """
    fig,axs = plt.subplots(nrows=2,ncols=2,sharex=False,sharey=False,figsize=(13,8))
    #获得有多少个标签
    numberOfLabels = len(datingLabels)
    #设置画图时每行数据所对应点的颜色
    LabelsColors = []
    for i in datingLabels:
        if i==1:
            LabelsColors.append("black")
        if i==2:
            LabelsColors.append("orange")
        if i==3:
            LabelsColors.append("red")

    #画散点图
    axs[0][0].scatter(x=datingDataMat[:,0],y=datingDataMat[:,1],color=LabelsColors,s=15,alpha=.5)
    #返回值为代表标题的matplotlib文本实例
    axs0_title_text = axs[0][0].set_title("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("每年获得的飞行常客里程数",fontproperties=font)
    axs0_ylabel_text = axs[0][0].set_ylabel("玩视频游戏所消耗时间占比",fontproperties=font)
    #setp()函数：设置对象属性或属性的取值要求
    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")

    axs[0][1].scatter(x=datingDataMat[:,0],y=datingDataMat[:,2],color=LabelsColors,s=15,alpha=.5)
    axs1_title_text = axs[0][1].set_title("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("每年获得的飞行常客里程数",fontproperties=font)
    axs1_ylabel_text = axs[0][1].set_ylabel("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")

    axs[1][0].scatter(x=datingDataMat[:,1],y=datingDataMat[:,2],color=LabelsColors,s=15,alpha=.5)
    axs2_title_text = axs[1][0].set_title("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("玩视频游戏所消耗时间占比",fontproperties=font)
    axs2_ylabel_text = axs[1][0].set_ylabel("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")

    #Line2D是matplotlib中专门负责线的类，也可以理解为专门用来画线的类
    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")

    #axes.legend()函数说明图例的位置等相关属性
    #legend handle：图例句柄， 用于在图例中生成合适的图例条目的原始对象
    axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
    axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
    axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])

    plt.show()

if __name__=="__main__":
    returnMat,classLabelVector = file2matrix("datingTestSet.txt")
    showdatas(returnMat,classLabelVector)

2.2.3 准备数据：归一化数值

在处理不同取值范围的特征值时，我们通常采用的方法是将数值归一化，如将取值范围处理为0到1或者-1到1之间。下面的公式可以将任意取值范围的特征值转化为0到1区间内的值。
$n e w V a l u e = (o l d V a l u e - m i n) / (m a x - m i n)$
其中min和max分别是数据集中的最小特征值和最大特征值。

import numpy as np
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt

"""
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-文件名
Returns：
    returnMat-特征矩阵
    classLabelVector-分类Label向量
"""
def file2matrix(filename):
    #打开存储数据的文件
    fr = open(filename)
    #readlines() 方法用于读取所有行(直到结束符 EOF)并返回列表，
    #该列表可以由 Python 的 for... in ... 结构进行处理。
    #如果碰到结束符 EOF 则返回空字符串。
    arrayOLines = fr.readlines()
    #获取文件中有多少行数据
    numberOfLines = len(arrayOLines)
    #新建一个矩阵用来存放约会对象的三个特征
    returnMat = np.zeros([numberOfLines,3])
    #新建一个列表用来存放约会对象对应的喜欢程度
    classLabelVector = []
    #用来遍历returnMat
    index = 0
    #逐行获取样本数据
    for line in arrayOLines:
        #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。
        #注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。
        line = line.strip()
        #split()函数通常用于将字符串切片并转换为列表
        listFromLine = line.split('\t')
        #将约会对象的三个特征存储在returnMat中
        returnMat[index,:] = listFromLine[0:3]
        #根据喜欢程度存储相应的数字
        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：对数据进行归一化
Parameters:
    dataSet-特征矩阵
Returns:
    normDataSet-归一化后的特征矩阵
    ranges-数据范围
    minVals-数据最小值
"""
def autoNorm(dataSet):
    #获取数据的最小值
    #a.min()返回的就是a中所有元素的最小值
    #a.min(0)返回的就是a的每列最小值
    #a.min(1)返回的是a的每行最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    #最大值和最小值的范围
    ranges = maxVals-minVals
    #创建一个与dataSet格式相同的矩阵用来存储归一化后的结果，用0初始化
    normDataSet = np.zeros(np.shape(dataSet))
    #返回dataSet的行数
    m = dataSet.shape[0]
    #原始值减去最小值
    normDataSet = dataSet-np.tile(minVals,(m,1))
    #除以取值范围，得到归一化结果
    normDataSet = normDataSet/np.tile(ranges,(m,1))
    #返回归一化数据结果，数据范围，最小值
    return normDataSet,ranges,minVals
    

if __name__=="__main__":
    returnMat,classLabelVector = file2matrix("datingTestSet.txt")
    normDataSet,ranges,minVals = autoNorm(returnMat)
    print(normDataSet)
    print(ranges)
    print(minVals)

2.2.4 测试算法：作为完整程序验证分类器

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。

可以使用错误率来检测分类器的性能。对于分类器来说，错误率就是分类器给出错误结果的次数除以测试数据的总数，完美分类器的错误率为0，而错误率为1.0的分类器不会给出任何正确的分类结果。

我们可以定义一个计数器变量，每次分类器错误地分类数据，计数器就加1，程序执行完成之后计数器的结果除以数据点总数即是错误率。

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：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-文件名
Returns：
    returnMat-特征矩阵
    classLabelVector-分类Label向量
"""
def file2matrix(filename):
    #打开存储数据的文件
    fr = open(filename)
    #readlines() 方法用于读取所有行(直到结束符 EOF)并返回列表，
    #该列表可以由 Python 的 for... in ... 结构进行处理。
    #如果碰到结束符 EOF 则返回空字符串。
    arrayOLines = fr.readlines()
    #获取文件中有多少行数据
    numberOfLines = len(arrayOLines)
    #新建一个矩阵用来存放约会对象的三个特征
    returnMat = np.zeros([numberOfLines,3])
    #新建一个列表用来存放约会对象对应的喜欢程度
    classLabelVector = []
    #用来遍历returnMat
    index = 0
    #逐行获取样本数据
    for line in arrayOLines:
        #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。
        #注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。
        line = line.strip()
        #split()函数通常用于将字符串切片并转换为列表
        listFromLine = line.split('\t')
        #将约会对象的三个特征存储在returnMat中
        returnMat[index,:] = listFromLine[0:3]
        #根据喜欢程度存储相应的数字
        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：对数据进行归一化
Parameters:
    dataSet-特征矩阵
Returns:
    normDataSet-归一化后的特征矩阵
    ranges-数据范围
    minVals-数据最小值
"""
def autoNorm(dataSet):
    #获取数据的最小值
    #a.min()返回的就是a中所有元素的最小值
    #a.min(0)返回的就是a的每列最小值
    #a.min(1)返回的是a的每行最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    #最大值和最小值的范围
    ranges = maxVals-minVals
    #创建一个与dataSet格式相同的矩阵用来存储归一化后的结果，用0初始化
    normDataSet = np.zeros(np.shape(dataSet))
    #返回dataSet的行数
    m = dataSet.shape[0]
    #原始值减去最小值
    normDataSet = dataSet-np.tile(minVals,(m,1))
    #除以取值范围，得到归一化结果
    normDataSet = normDataSet/np.tile(ranges,(m,1))
    #返回归一化数据结果，数据范围，最小值
    return normDataSet,ranges,minVals
    
"""
函数说明：分类器

Parameters:
    inX-用于分类的输入向量（要对其进行分类的向量）
    dataSet-输入的训练样本集
    labels-标签向量，标签向量的元素数目和矩阵dataSet的行数相同
    k-用于选择最近邻居的数据
"""
def classify0(inX,dataSet,labels,k):
    #获取训练样本集的行数
    dataSetSize = dataSet.shape[0]
    #对输入向量进行复制，使其格式与dataSet相同，之后两个矩阵相减
    diffMat = np.tile(inX,(dataSetSize,1))-dataSet
    #对矩阵中的每个值进行乘方
    sqDiffMat = diffMat**2
    #sum就是求和，axis表示沿着axis方向求和
    #axis=1按行的方向相加，返回每行的值
    #axis=0按列的方向相加，返回每列的值
    sqDistances = sqDiffMat.sum(axis=1)
    #开根号后得到距离
    distances = sqDistances**0.5
    #numpy.argsort() 函数返回的是数组值从小到大的索引值。
    sortedDistIndicies = distances.argsort()
    #创建一个字典用于保存标签及其出现的次数
    classCount = {}
    for i in range(k):
        #将距离从小到大进行排序，并取得对应的标签
        voteIlabel = labels[sortedDistIndicies[i]]
        #统计对应标签出现的次数
        classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
    #operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为一些序号。
    #参数为1表示对标签出现的次数进行排序，并且是从大到小排序
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #获得对应的标签
    return sortedClassCount[0][0]


"""
函数说明：分类器测试函数
Parameters:
    无
Outputs:
    错误率
"""
def datingClassTest():
    #打开的文件
    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)
    #抽取所有数据的10%
    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]
    #10%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))


if __name__=="__main__":
    datingClassTest()

2.2.5 使用算法：构建完整可用系统

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：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-文件名
Returns：
    returnMat-特征矩阵
    classLabelVector-分类Label向量
"""
def file2matrix(filename):
    #打开存储数据的文件
    fr = open(filename)
    #readlines() 方法用于读取所有行(直到结束符 EOF)并返回列表，
    #该列表可以由 Python 的 for... in ... 结构进行处理。
    #如果碰到结束符 EOF 则返回空字符串。
    arrayOLines = fr.readlines()
    #获取文件中有多少行数据
    numberOfLines = len(arrayOLines)
    #新建一个矩阵用来存放约会对象的三个特征
    returnMat = np.zeros([numberOfLines,3])
    #新建一个列表用来存放约会对象对应的喜欢程度
    classLabelVector = []
    #用来遍历returnMat
    index = 0
    #逐行获取样本数据
    for line in arrayOLines:
        #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。
        #注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。
        line = line.strip()
        #split()函数通常用于将字符串切片并转换为列表
        listFromLine = line.split('\t')
        #将约会对象的三个特征存储在returnMat中
        returnMat[index,:] = listFromLine[0:3]
        #根据喜欢程度存储相应的数字
        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：对数据进行归一化
Parameters:
    dataSet-特征矩阵
Returns:
    normDataSet-归一化后的特征矩阵
    ranges-数据范围
    minVals-数据最小值
"""
def autoNorm(dataSet):
    #获取数据的最小值
    #a.min()返回的就是a中所有元素的最小值
    #a.min(0)返回的就是a的每列最小值
    #a.min(1)返回的是a的每行最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    #最大值和最小值的范围
    ranges = maxVals-minVals
    #创建一个与dataSet格式相同的矩阵用来存储归一化后的结果，用0初始化
    normDataSet = np.zeros(np.shape(dataSet))
    #返回dataSet的行数
    m = dataSet.shape[0]
    #原始值减去最小值
    normDataSet = dataSet-np.tile(minVals,(m,1))
    #除以取值范围，得到归一化结果
    normDataSet = normDataSet/np.tile(ranges,(m,1))
    #返回归一化数据结果，数据范围，最小值
    return normDataSet,ranges,minVals
    
"""
函数说明：分类器

Parameters:
    inX-用于分类的输入向量（要对其进行分类的向量）
    dataSet-输入的训练样本集
    labels-标签向量，标签向量的元素数目和矩阵dataSet的行数相同
    k-用于选择最近邻居的数据
"""
def classify0(inX,dataSet,labels,k):
    #获取训练样本集的行数
    dataSetSize = dataSet.shape[0]
    #对输入向量进行复制，使其格式与dataSet相同，之后两个矩阵相减
    diffMat = np.tile(inX,(dataSetSize,1))-dataSet
    #对矩阵中的每个值进行乘方
    sqDiffMat = diffMat**2
    #sum就是求和，axis表示沿着axis方向求和
    #axis=1按行的方向相加，返回每行的值
    #axis=0按列的方向相加，返回每列的值
    sqDistances = sqDiffMat.sum(axis=1)
    #开根号后得到距离
    distances = sqDistances**0.5
    #numpy.argsort() 函数返回的是数组值从小到大的索引值。
    sortedDistIndicies = distances.argsort()
    #创建一个字典用于保存标签及其出现的次数
    classCount = {}
    for i in range(k):
        #将距离从小到大进行排序，并取得对应的标签
        voteIlabel = labels[sortedDistIndicies[i]]
        #统计对应标签出现的次数
        classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
    #operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为一些序号。
    #参数为1表示对标签出现的次数进行排序，并且是从大到小排序
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #获得对应的标签
    return sortedClassCount[0][0]

"""
函数说明：通过输入一个人的三维特征，进行分类输出
Parameters:
    无
Returns:
    无
"""
def classifyPerson():
    #输出结果
    resultList = ["讨厌","有些喜欢","非常喜欢"]
    #三维特征用户输入
    percentTats = float(input("玩视频游戏所耗时间百分比："))
    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："))
    #打开的数据文件
    filename = "datingTestSet.txt"
    #打开并处理数据
    datingDataMat,datingLabels = file2matrix(filename)
    #训练集归一化
    normMat,ranges,minVals = autoNorm(datingDataMat)
    #生成numpy数组，测试集
    inArr = np.array([ffMiles,percentTats,iceCream])
    #测试集归一化
    norminArr = (inArr-minVals)/ranges
    #返回分类结果
    classifierResult = classify0(norminArr,normMat,datingLabels,3)
    #打印结果
    print("你可能%s这个人" %(resultList[classifierResult-1]))


if __name__=="__main__":
    classifyPerson()

2.3 示例：手写识别系统

构造系统识别数字0到9，其中数字采用文本格式进行存储。
在这里插入图片描述

使用k-近邻算法识别手写数字的步骤为：

收集数据：提供文本文件
准备数据：编写函数classify0()，将图像格式转换为分类器使用的list格式
分析数据：在Python命令提示符中检查数据，确保它符合要求
训练算法：此步骤不适用于k-近邻算法
测试算法：编写函数使用提供的部分数据集作为测试样本，测试样本与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

2.3.1 准备数据：将图像转换为测试向量

为了使用前面的分类器，我们必须将图像格式化处理为一个向量。我们将把一个3232的二进制图像矩阵转换为11024的向量，这样就可以使用前面的分类器处理数字图像信息了。

首先编译一个函数img2vector，将图像转换为向量：该函数创建1*1024的Numpy数组，然后打开给定的文件，循环读出文件的前32行，并将每行的头32个字符值存储在Numpy数组中，最后返回数组。

import numpy as np
import os 

"""
函数说明:将32*32的二进制图像转换为1*1024向量
Parameters:
    filename-文件名
Returns:
    returnVect-返回的二进制图像的1*1024向量
"""
def img2vector(filename):
    returnVect = np.zeros((1,1024))
    fr = open(filename)
    for i in range(32):
        lineStr = fr.readline()
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])
    return returnVect
    
if __name__=="__main__":
    result = img2vector("./MachineLearning/KNN/0_0.txt")
    print(result[0,0:31])

2.3.2 测试算法：使用k-近邻算法识别手写数字

import numpy as np
import operator
from os import listdir

"""
函数说明：分类器

Parameters:
    inX-用于分类的输入向量（要对其进行分类的向量）
    dataSet-输入的训练样本集
    labels-标签向量，标签向量的元素数目和矩阵dataSet的行数相同
    k-用于选择最近邻居的数据
"""
def classify0(inX,dataSet,labels,k):
    #获取训练样本集的行数
    dataSetSize = dataSet.shape[0]
    #对输入向量进行复制，使其格式与dataSet相同，之后两个矩阵相减
    diffMat = np.tile(inX,(dataSetSize,1))-dataSet
    #对矩阵中的每个值进行乘方
    sqDiffMat = diffMat**2
    #sum就是求和，axis表示沿着axis方向求和
    #axis=1按行的方向相加，返回每行的值
    #axis=0按列的方向相加，返回每列的值
    sqDistances = sqDiffMat.sum(axis=1)
    #开根号后得到距离
    distances = sqDistances**0.5
    #numpy.argsort() 函数返回的是数组值从小到大的索引值。
    sortedDistIndicies = distances.argsort()
    #创建一个字典用于保存标签及其出现的次数
    classCount = {}
    for i in range(k):
        #将距离从小到大进行排序，并取得对应的标签
        voteIlabel = labels[sortedDistIndicies[i]]
        #统计对应标签出现的次数
        classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
    #operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为一些序号。
    #参数为1表示对标签出现的次数进行排序，并且是从大到小排序
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #获得对应的标签
    return sortedClassCount[0][0]

"""
函数说明:将32*32的二进制图像转换为1*1024向量
Parameters:
    filename-文件名
Returns:
    returnVect-返回的二进制图像的1*1024向量
"""
def img2vector(filename):
    returnVect = np.zeros((1,1024))
    fr = open(filename)
    for i in range(32):
        lineStr = fr.readline()
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])
    return returnVect

"""
函数说明:手写数字分类测试
Parameters:
    无
Returns:
    无
"""
def handwritingClassTest():
    #训练集的Labels
    hwLabels = []
    #os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表。
    trainingFileList = listdir("./MachineLearning/KNN/trainingDigits")
    #获得文件夹中文件的数量
    m = len(trainingFileList)
    #初始化一个矩阵，用来存储训练集
    trainingMat = np.zeros([m,1024])
    for i in range(m):
        #获得各个文件的文件名
        fileNameStr = trainingFileList[i]
        #获得各个文件对应的数字，即对应的label
        classNumber = int(fileNameStr.split("_")[0])
        #将labels存储到hwLabels中
        hwLabels.append(classNumber)
        #将文件中的内容存储到矩阵trainingMat中
        trainingMat[i,:] = img2vector("./MachineLearning/KNN/trainingDigits/%s" %(fileNameStr))
    #获得测试集中的文件列表
    testFileList = listdir("./MachineLearning/KNN/testDigits")
    #记录错误的数量
    errorCount = 0.0
    #获得测试集文件的数量
    mTest = len(testFileList)
    for i in range(mTest):
        #获得每一个文件的文件名
        fileNameStr = testFileList[i]
        #获得对应的数字label
        classNumber = int(fileNameStr.split("_")[0])
        #获得对应测试文件的0*1024矩阵形式
        vectorUnderTest = img2vector("./MachineLearning/KNN/testDigits/%s" %(fileNameStr))
        #用分类器进行分类，本质就是判断距离，使得形状大致相似
        classifierResult = classify0(vectorUnderTest,trainingMat,hwLabels,3)
        print("分类返回结果为%d\t真实结果为%d" %(classifierResult,classNumber))
        if(classifierResult!=classNumber):
            errorCount+=1.0
    print("总共错了%d个数据\n错误率为%f%%" %(errorCount,errorCount/mTest*100))

"""
函数说明:main函数
Parameters:
    无
Returns:
    无
"""
if __name__=="__main__":
    handwritingClassTest()

2.4 示例：手写识别系统——sklearn实现

2.4.1 sklearn简介

Scikit learn也简称sklearn，是机器学习领域当中最知名的python模块之一。sklearn包含了很多机器学习的方式：

Classification分类
Regression回归
Clustering非监督分类
Dimensionality reduction数据降维
Model Selection模型选择
Preprocessing数据与处理

使用sklearn可以很方便地让我们实现一个机器学习算法。一个复杂的算法的实现，使用sklearn可能只需要调用几行API即可。

2.4.2 sklearn实现k-近邻算法简介

sklearn.neighbors模块实现了k-近邻算法。我们使用sklearn.neighbors.KNeighborsClassifier可以实现我们之前实现的k-近邻算法。KNeighborsClassifier函数一共有八个参数：

n_neightbors：默认为5，就是k-NN的k的值，选取最近的k个点
weights：默认是uniform，参数可以是uniform、distance，也可以是用户自己定义的函数。uniform是均等的权重，就说所有的邻近点的权重都是相等的。distance是不均等的权重，距离近的点比距离远的点的影响大。用户自定义的函数，接收距离的数组，返回一组维数相同的权重。
algorithm：快速k近邻搜索算法，默认参数为auto，可以理解为算法自己决定合适的搜索算法。
leaf_size：默认是30，这个是构造的kd树和ball树的大小。这个值的设置会影响树构建的速度和搜索速度，同样也影响着存储树所需的内存大小。需要根据问题的性质选择最优的大小。
metric：用于距离度量，默认度量是minkowski，也就是p=2的欧氏距离(欧几里德度量)。
p：距离度量公式。在上小结，我们使用欧氏距离公式进行距离度量。除此之外，还有其他的度量方法，例如曼哈顿距离。这个参数默认为2，也就是默认使用欧式距离公式进行距离度量。也可以设置为1，使用曼哈顿距离公式进行距离度量。
metric_params：距离公式的其他关键参数，这个可以不管，使用默认的None即可。
n_jobs：并行处理设置。默认为1，临近点搜索并行工作数。如果为-1，那么CPU的所有cores都用于并行工作。

KNeighborsClassifier可以调用的方法有：

fit(X,y)：从训练数据集拟合k近邻分类器。
get_params([deep])：为这个估计器获取参数。
kneighbors([X,n_neighbors,return_distance])：找出一个点的k邻居。
predict(x)：预测所提供数据的类标签。
predict_proba(x)：返回测试数据X的概率估计。
score(x,y[,sample_weight])：返回给定测试数据和标签的平均精度。
set_params：设置这个估计器的参数。

2.4.3 系统实现

import numpy as np
import operator
from os import listdir
from sklearn.neighbors import KNeighborsClassifier as kNN

"""
函数说明:将32*32的二进制图像转换为1*1024向量
Parameters:
    filename-文件名
Returns:
    returnVect-返回的二进制图像的1*1024向量
"""
def img2vector(filename):
    returnVect = np.zeros((1,1024))
    fr = open(filename)
    for i in range(32):
        lineStr = fr.readline()
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])
    return returnVect

"""
函数说明:手写数字分类测试
Parameters:
    无
Returns:
    无
"""
def handwritingClassTest():
    #训练集的labels
    hwLabels = []
    #os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表。
    trainingFileList = listdir("./MachineLearning/KNN/trainingDigits")
    #获得文件夹中文件的数量
    m = len(trainingFileList)
    #初始化一个矩阵，用来存储训练集
    trainingMat = np.zeros([m,1024])
    for i in range(m):
        #获得各个文件的文件名
        fileNameStr = trainingFileList[i]
        #获得各个文件对应的数字，即对应的label
        classNumber = int(fileNameStr.split("_")[0])
        #将label存储到hwLabels中
        hwLabels.append(classNumber)
        #将文件中的内容存储到矩阵trainingMat中
        trainingMat[i,:] = img2vector("./MachineLearning/KNN/trainingDigits/%s" %(fileNameStr))
    #创建一个kNN分类器
    neigh = kNN(n_neighbors=3,algorithm="auto")
    #用训练集矩阵和训练集labels对kNN分类器进行拟合
    neigh.fit(trainingMat,hwLabels)
    #获得测试集中的文件列表
    testFileList = listdir("./MachineLearning/KNN/testDigits")
    #记录错误的数量
    errorCount = 0.0
    #获得测试集文件的数量
    mTest = len(testFileList)
    for i in range(mTest):
        #获得每一个文件的文件名
        fileNameStr = testFileList[i]
        #获得对应的数字label
        classNumber = int(fileNameStr.split("_")[0])
        #获得对应测试文件的0*1024矩阵形式
        vectorUnderTest = img2vector("./MachineLearning/KNN/testDigits/%s" % (fileNameStr))
        #用kNN分类器对测试数据进行预测
        classifierResult = neigh.predict(vectorUnderTest)
        print("分类返回结果为%d\t真实结果为%d" %(classifierResult,classNumber))
        if(classifierResult!=classNumber):
            errorCount+=1.0
    print("总共错了%d个\n错误率为%f%%" %(errorCount,errorCount/mTest*100))

"""
函数说明:main函数
Parameters:
    无
Returns:
    无
"""
if __name__=="__main__":
    handwritingClassTest()

2.5 本章小结

k-近邻算法是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数据。k-近邻算法必须保存全部数据集，如果训练数据集很大，必须使用大量的存储空间。此外，由于必须对数据集中的每个数据计算距离值，实际使用时可能非常耗时。
k-近邻算法的另一个缺陷是它无法给出任何数据的基础结构信息，因此我们也无法知晓平均实例样本和典型实例样本具有什么特征。

参考

常用的向量距离公式_Begining-CSDN博客_向量距离公式
https://cuijiahua.com/blog/2017/11/ml_1_knn.html

小原小原吃汤圆

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
第二章 k-近邻算法

第二章 k-近邻算法2.1 k-近邻算法概述原理：k-近邻算法采用测量不同特征值之间的距离方法进行分类存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数（一般为奇数）。最后，选择k个最相似数据中
复制链接

扫一扫