python机器学习实战——算法篇之KNN算法（学习的心路历程及学习路线适合小白）

说实话，自学机器学习已经有一段时间了，但学习过程的难度却没有像梯度下降一样理想，于是开始总结自己关于机器学习的心路历程，方便自己以后归纳总结，也方便大家少走弯路。

目前我看过很多相关的机器学习或者相关数学原理的的书，个人感觉最有帮助的是，《数学之美》（吴军）、《机器学习实战》（peter Harrington）、《线性代数及其应用》（Lay D.C.）、《深度学习之TensorFlow》(李金鸿)。

同时还有众多大佬的博客以及github项目供我学习，现在逐渐摸索出一条清晰的学习路径。

jeck-Cherish的
机器学习实战（Python3）：kNN、决策树、贝叶斯、逻辑回归、SVM、线性回归、树回归用于结合《机器学习实战》加强代码能力，注意有些东西着的只有你单独将代码写一遍，结合油管的数学知识你才能真的理解这个东西。

油管红人siraj Raval 的 The_Math_of_Intelligence用于恶补理论知识，当然也可以结合代码，但是我的英文水评有限所以~~~

当然，在记录我的学习路径之前我还是提一下😂，非常欢迎志同道合的同学加入我们的交流群，可以讨论相关的所有内容，我也会把包括我文章资源在内的所有资源尽数分享给大家，一起学习一起进步，欢迎进群~~~

---

好了回到主题KNN算法。
最近在复习机器学习的所有算法，经过复习思考对于其中的操作都有了新的理解，当然，我对于个人的进步都是站在巨人的肩膀上的，所以声明，本文的内容都基于《机器学习实战》KNN篇，以及大佬Jack-cui的文章，还望海涵。

源码及数据
链接: https://pan.baidu.com/s/1xlA-9q-wPlh8NtBN5NTV5A 提取码: wbsl

---

KNN全称（k-nearest neighbor）是将测试数据与训练数据及其特征使用对应的公式计算其相似度从而预测测试数据的特征及算法准确性的一种分类算法。

简单可以理解为二维形式

通过计算Xu与图片中每一个点的距离来将其分类到w1 w2 或者w3中，当然例子是二维的也可以扩展到更多维度，只是作为三维生物的我们没有办法很好的想象。（这就是矩阵的作用）

---

好了，简述完概念，再来说说，本章一共有三个实例，分别为：

1. 电影分类
2. 情人推荐
3. 手写数字识别

其中涉及到的算法及重要点有

1. KNN算法
2. 归一化
3. 数据可视化
4. 数据格式化

---

电影分类

电影分类共有两个自定义函数，注意其中的KNN分类器可以在后面重复使用

1. creatDataSet()生成训练函数
2. classify0() KNN算法分类器

show me the code

这里说明一下代码的大部分都来自大佬jack-cui,尊重其原创新故没有改动的函数不会修改对应的函数注释。

def creatDataSet():
    #第一列是打斗次数，第二列是接吻次数
	goups = np.array([[1,101],[5,89],[108,5],[115,8],[50,400]])
	print(goups)
	lables = ['爱情','爱情','动作 ','动作','爱情']
	return goups,lables
"""
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，相当于修改拟合程度，可以自己尝试修改k值，会发现准确度会下降，经过尝试最佳为3
Returns:
    sortedClassCount[0][0] - 分类结果
Modify:
    2020-02-06
"""
def classify0(inX, dataSet, labels, k):
    #numpy函数shape[0]返回dataSet的行数
    #为矩阵减法做准备
    dataSetSize = dataSet.shape[0]#返回原始数据的行
    #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
    #python3中用items()替换python2中的iteritems()
    #key=operator.itemgetter(1)根据字典的值进行排序
    #key=operator.itemgetter(0)根据字典的键进行排序
    #reverse降序排序字典
    print(classCount)
    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
    print(sortedClassCount)
    return sortedClassCount[0][0]


if __name__ == '__main__':
    #创建数据集
    group, labels = creatDataSet()
    #测试集
    test = [50,51]
    #kNN分类
    test_class = classify0(test, group, labels, 4)
    #打印分类结果
    print(test_class)

情人推荐

数据解释：
原始数据是通过空格间隔的txt文件，这里为了好表示，使用pandas的read_csv读取后生成csv文件来说明，txt文件下载地址或者在源码中data来找。

这一部分的代码改动主要是使用dataframe大大简化了数据的操作以及处理流程，其余代码基本相同，将数据可视化、归一化后分类数据，最后还加入了通过自主输入三个维度的数据并对这一输入的数据进行分类。

这里必须着重注意的是归一化代码，以及归一化的原因与动机。

# -*- coding: UTF-8 -*-
import numpy as np

import pandas as pd
import operator
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代表不喜欢,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

Modify:
    2017-03-24
"""
def file2matrix(filename):
    #打开文件
    fr = open(filename)
    #读取文件所有内容
    arrayOLines = fr.readlines()
    #得到文件行数
    numberOfLines = len(arrayOLines)
    #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
    returnMat = np.zeros((numberOfLines,3))
    #返回的分类标签向量
    classLabelVector = []
    #行的索引值
    index = 0
    for line in arrayOLines:
        #s.strip(rm)，当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
        line = line.strip()
        #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
        listFromLine = line.split('\t')
        #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
        returnMat[index,:] = listFromLine[0:3]
        #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

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
    #python3中用items()替换python2中的iteritems()
    #key=operator.itemgetter(1)根据字典的值进行排序
    #key=operator.itemgetter(0)根据字典的键进行排序
    #reverse降序排序字典
    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]

"""
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
Modify:
    2017-03-24
"""
def autoNorm(dataSet):
    #获得数据的最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    #最大值和最小值的范围
    ranges = maxVals - minVals
    #shape(dataSet)返回dataSet的矩阵行列数
    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))
    #除以最大和最小值的差,得到归一化数据
    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:可视化数据

Parameters:
    datingDataMat - 特征矩阵
    datingLabels - 分类Label
Returns:
    无
Modify:
    2017-03-24
"""


def showdatas2(datingDataMat,datingLables):
	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(datingLables)
	LabelsColors = []
	for i in datingLables:
		if i == 1:
			LabelsColors.append('black')
		if i == 2:
			LabelsColors.append('orange')
		if i == 3:
			LabelsColors.append('red')

	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()

def file2matrix2(filepath):
	name = ['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','lable']
	data = pd.read_csv(filepath,sep='	',names = name)
	data.to_csv('data/halen_data.csv',encoding='gbk')
	# print(data)
	returnMat = data.T
	arrayOLines = returnMat.iloc[-1]
	# print(arrayOLines)
	for i in range(arrayOLines.shape[0]):
		lable = arrayOLines.iat[i]#通过行列数定位dataframe值
		if lable == 'didntLike':
			arrayOLines.iat[i] = 1
		if lable == 'smallDoses':
			arrayOLines.iat[i] = 2
		if lable == 'largeDoses':
			arrayOLines.iat[i] = 3
	returnMat = returnMat[0:3].T
	# classLabelVector = []
	# for i in arrayOLines :
	# 	if i == 'didntLike':
	# 		classLabelVector.append(1)
	# 	if i == 'smallDoses':
	# 		classLabelVector.append(2)
	# 	if i == 'largeDoses':
	# 		classLabelVector.append(3)

	return np.array(returnMat),np.array(arrayOLines).tolist()

def datingClassTest():
    #打开的文件名
    filename = "data/new.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 = file2matrix2(filename)
    #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))

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
    precentTats = 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("每周消费的冰激淋公升数:"))
    #打开的文件名
    filename = "data/new.txt"
    #打开并处理数据
    datingDataMat, datingLabels = file2matrix2(filename)
    #训练集归一化
    normMat, ranges, minVals = autoNorm(datingDataMat)
    #生成NumPy数组,测试集
    inArr = np.array([precentTats, ffMiles, 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]))


"""
函数说明:main函数
Parameters:
    无
Returns:
    无
Modify:
    2017-03-24
"""
if __name__ == '__main__':
	filename = "data/new.txt"
	# #打开并处理数据
	datingDataMat, datingLabels = file2matrix2(filename)
	datingClassTest()
	showdatas2(datingDataMat, datingLabels)
	classifyPerson()

---

手写数字识别

书中的三个例子其实在引导我们循序渐进的理解KNN算法的本质，所以建议在学习的过程中慢下来体会和搞懂自己的每一个疑惑，同时也去尝试自己冒出的每一个想法，这些都比重复代码有意义、有效果得多。

show me the code

这一部分，我在尝试改动读取txt的方式时失败了，因为在32x32矩阵转化为一维矩阵的过程中遇到了信息丢失的问题，多次尝试无果后放弃了读取方式，改为readline逐行读取的方式。

这里将二维矩阵转换为一维矩阵的算法也要注意，因为二维图像的信息处理、信息提取过程中这是必不可少的一部分。

通过复习这一部分，结合自己以前的tensorflow神经网络手写数字识别，才发现，KNN算法应用到数字识别上仅仅是数字识别的一部分，同时也是神经网络手写数字识别和卷积神经网络手写数字识别的一部分。详见one_hot编码相关内容。

import pandas as pd
import numpy as np
import operator
from os import listdir

"""
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,这里的标签就是文件名称
	k - kNN算法参数,选择距离最小的k个点,k实际上控制的是模型的拟合程度，训练的过程是寻找数据集的中心点
Returns:
	sortedClassCount[0][0] - 分类结果

Modify:
	2017-03-25
"""
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
	#python3中用items()替换python2中的iteritems()
	#key=operator.itemgetter(1)根据字典的值进行排序
	#key=operator.itemgetter(0)根据字典的键进行排序
	#reverse降序排序字典
	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]

"""
函数说明:矩阵转化器

Parameters:
	filename：文件路径
Returns:
	returnVect-转换好的1x1024矩阵（列表形式）
Modify:
	2020-02-06
"""
def image2vector (filename):
	returnVect=np.zeros((1,1024))

	f=open(filename)
	for i in range (32):
		lineStr = f.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

Modify:
	2017-03-25
"""
def handwritingClassTest():
	#测试集的Labels
	hwLabels = []
	#返回trainingDigits目录下的文件名
	trainingFileList = listdir('trainingDigits')
	#返回文件夹下文件的个数
	m = len(trainingFileList)
	#初始化训练的Mat矩阵,测试集
	trainingMat = np.zeros((m, 1024))
	#从文件名中解析出训练集的类别
	for i in range(m):
		#获得文件的名字
		fileNameStr = trainingFileList[i]
		#获得分类的数字
		classNumber = int(fileNameStr.split('_')[0])
		#将获得的类别添加到hwLabels中
		hwLabels.append(classNumber)
		#将每一个文件的1x1024数据存储到trainingMat矩阵中
		trainingMat[i,:] = image2vector('trainingDigits/%s' % (fileNameStr))
	#返回testDigits目录下的文件名
	testFileList = listdir('testDigits')
	#错误检测计数
	errorCount = 0.0
	#测试数据的数量
	mTest = len(testFileList)
	#从文件中解析出测试集的类别并进行分类测试
	for i in range(mTest):
		#获得文件的名字
		fileNameStr = testFileList[i]
		#获得分类的数字
		classNumber = int(fileNameStr.split('_')[0])
		#获得测试集的1x1024向量,用于训练
		vectorUnderTest = image2vector('testDigits/%s' % (fileNameStr))
		#获得预测结果
		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))

if __name__ == '__main__':
    handwritingClassTest()

总结

KNN算法作为及其学习的入门算法，学习和理解好KNN对于后面的对于机器学习知识的掌握有着极大的帮助，务必反复练习。

当然，KNN也有很多优缺点，但个人认为这些优缺点只有在学习多中算法的基础上进行实际体会才更有意义，所以在此不再提及。

关于距离的计算也有很多相关的不同方法，同样我认为静下心来自主去探索这些算法更加有意义。