KNN算法(K Nearest Neighbors)及代码实现
KNN算法是有监督学习(Supervised Learning)算法中的一种。KNN算法的原理简单来说就是当预测一个新的值x的时候,根据距离它最近的K个点的类别来判断x属于哪个类别。
KNN算法的一般流程包含以下几个步骤:
(1)收集数据:可以使用任何方法。
(2)准备数据:距离计算所需要的数值,最好是结构化的数据计算格式。
(3)分析数据:可以使用任何方法。
(4)训练算法:此步骤不适用于K-近邻算法。
(5)测试算法:计算错误率。
(6)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。
KNN分类算法优缺点
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
适用数据范围:数值型和标称型
KNN约会算法
//导入的包
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import numpy as np
import operator
from scipy.spatial.distance import pdist,squareform
from sklearn import metrics
//定义一个距离函数
def distance(d1,d2):
dis=[]
for train in d2:
arr=np.vstack([d1,train])
res=pdist(arr,'euclidean')
dis.append(res)
distances=np.array(dis)
a=distances.ravel()
return a
//inX是输入的测试集,dataSet是训练集,labels是训练标签,k是近邻个数
def classify0(inX, dataSet, labels, k):
// numpy函数shape[0]返回dataSet的行数
//dataSetSize = dataSet.shape[0]
//把inX在行向量方向上重复共dataSetSize次(纵向),在列向量方向上重复共1次(横向)
//x=np.tile(inX, (dataSetSize, 1))
//diffMat = x - 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
distances=distance(inX,dataSet)
// 返回distances中元素从小到大排序后的索引值
sortedDistIndicies = distances.argsort()
// 定义一个记录类别次数的数据字典
classCount = {}
for i in range(k):
// 取出前k个元素的类别
voteIlabel = labels[sortedDistIndicies[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
//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]
// 从文本文件中解析数据
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为空时,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
// 可视化数据
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的画布大小为(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比', 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矩阵的第一列(飞行常客例程)、第三列(冰淇淋)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淇淋公升数', 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'每周消费的冰淇淋公升数', 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矩阵的第二列(玩游戏)、第三列(冰淇淋)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'玩游戏所消耗时间与每周消费的冰淇淋公升数', 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'每周消费的冰淇淋公升数', 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')
// 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()
// 对数据进行归一化
def autoNorm(dataSet):
// 获取数据的最小值--min(0)表示返回的是每一列的最小值,min(1)是每一行的最小值
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))
// 除以最大值和最小值的差,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
// 分类器测试函数
def datingClassTest():
// 打开的文件名
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)
// 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)
// 获取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
pred=[]
for i in range(numTestVecs):
// 前numTestVecs个数作为测试集,后m-numTestVecs个数据作为训练集
classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :], datingLabels[numTestVecs:m],3)
pred.append(classifierResult)
// print("测试样本序号:%d\t分类结果:%d\t真实类别:%d" % (i,classifierResult, datingLabels[i]))
//if (classifierResult != datingLabels[i]):
// errorCount+=1.0
real=datingLabels[0:numTestVecs]
accuracy = metrics.accuracy_score(real, pred) # 多分类,返回准确率
recall = metrics.recall_score(real, pred, labels=[1,2,3], average="macro") # 三个召回率的平均值
precision = metrics.precision_score(real, pred, labels=[1, 2, 3], average="macro") # 三个精准率的平均值
f1score = metrics.f1_score(real, pred, labels=[1, 2, 3], average="macro") # 三个f1_score的平均值
print("accuracy: {0:.4f}".format(accuracy))
print("precision: {0:.4f}".format(precision))
print("recall: {0:.4f}".format(recall))
print("f1score: {0:.4f}".format(f1score))
// 通过输入一个人的三维特征,进行分类输出
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("每周消费的冰淇淋公升数:"))
// 打开的文件名
filename = "datingTestSet2.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([percentTats, 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]))
if __name__ == '__main__':
//1.测试代码
filename = "datingTestSet.txt"
// 打开并处理数据
datingDataMat, datinglabels = file2matrix(filename)
showdatas(datingDataMat,datinglabels)
// 2.测试代码
datingClassTest()
正式代码
classifyPerson()