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
①首先计算未知电影与样本集中其他电影的距离
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。
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)。
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
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)
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
)
newValue = (oldValue-min)/(max-min)
newValue=(oldValue−min)/(max−min)
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。
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