一.实验内容
原生python实现knn分类算法,使用鸢尾花数据集。
二.算法设计
数据来源:http://archive.ics.uci.edu/ml/datasets/Iris
1.处理csv文件加载数据集,将读入数据转换为列表处理。根据random.Random()方法随机产生0~1之间的随机数与分割比进行比较,将数据分为训练集和测试集。
2.采用欧式距离法D=i=1n(xi-yi)2计算测试实例与训练实例的距离。
3.返回k个最近邻。增加一个参数length,确立测试集需要计算的四个数字维度,计算每一个测试实例到训练实例的距离,对所有距离进行排序,取其中最小距离值。
4.根据返回的邻居,预测结果。让近邻元素对预测属性投票,最终返回出现次数最多的标签作为预测结果。
5. 分类准确度,计算在测试数据集中算法正确预测的比例。
三.源代码
1.分割数据集。
def loadDataset(filename, split, trainingSet=[], testSet=[]):
with open(filename, "r") as csvfile:
lines = csv.reader(csvfile)
dataset = list(lines)#将读入数据转换为列表处理
for x in range(len(dataset) - 1):
for y in range(4):
dataset[x][y] = float(dataset[x][y])
if random.random()< split:
trainingSet.append(dataset[x])
else:
testSet.append(dataset[x])
2.欧式距离法
def Distance(instance1, instance2, length):
distance = 0
for x in range(length):
distance += pow((instance1[x] - instance2[x]), 2)
return math.sqrt(distance)
import csv # 处理csv文件
import random # 用于随机数
import math
import operator
# 加载数据集并分割为训练集和测试集
def loadDataset(filename, split, trainingSet=[], testSet=[]):
with open(filename, "r") as csvfile:
lines = csv.reader(csvfile)
dataset = list(lines)#将读入数据转换为列表处理
for x in range(len(dataset) - 1):
for y in range(4):
dataset[x][y] = float(dataset[x][y])
if random.random()< split:
trainingSet.append(dataset[x])
else:
testSet.append(dataset[x])
# 计算距离:欧式距离法
def Distance(instance1, instance2, length):
distance = 0
for x in range(length):
distance += pow((instance1[x] - instance2[x]), 2)
return math.sqrt(distance)
# 返回K个最近邻
def getNeighbors(trainingSet, testInstance, k):
distances = []
length = len(testInstance) - 1
# 计算每一个测试实例到训练集实例的距离
for x in range(len(trainingSet)):
dist = Distance(testInstance, trainingSet[x], length)
distances.append((trainingSet[x],dist ))
# 对所有的距离进行排序
distances.sort(key=operator.itemgetter(1))
neighbors = []
for x in range(k):
neighbors.append(distances[x][0])
return neighbors
# 根据返回的邻居,对其进行分类
def getResponse(neighbors):
classVotes = {}
for x in range(len(neighbors)):
response = neighbors[x][-1]
if response in classVotes:
classVotes[response] += 1
else:
classVotes[response] = 1
sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True) # 按照第一个进行排序
return sortedVotes[0][0]#返回出现次数最多的标签
# 计算准确率
def getAccuracy(testSet, predictions):
correct = 0
for x in range(len(testSet)):
if testSet[x][-1] == predictions[x]:
correct += 1
return (correct / float(len(testSet))) * 100.0
def main():
trainingSet = [] # 训练数据集
testSet = [] # 测试数据集
split = 0.70 # 分割的比例
loadDataset(r"F:\text\iris.data", split, trainingSet, testSet)
predictions = []
k = 3
for x in range(len(testSet)):
neighbors = getNeighbors(trainingSet, testSet[x], k)
result = getResponse(neighbors)
predictions.append(result)
print ('预测结果:%s,实际结果:%s'%(result,(testSet[x][-1])))
accuracy = getAccuracy(testSet, predictions)
print('正确率为: %f' % (accuracy))
if __name__ == "__main__":
main()
四.测试用例设计及调试过程
1.分割比为7:3,k=3
2.分割比为7:3,k=7
虽然主要参考于别人的代码,但在自己电脑上运行时还存在问题。比如:
1. 因此csv文件并非二进制文件, 只是一个文本文件。所以将with open(filename, "rb") as csvfile中“rb”改为“r”
2.一开始运行时发现预测结果总是与实际结果一致。检查后发现分割测试集时testSet.append(dataset[y])参数错误。