- 概述
k近邻算法:
采用测量不同特征值之间距离的方法进行分类
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
工作原理:
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。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。 - 导入数据并实施kNN分类算法
首先用函数createDataSet()来创建一个训练数据集,训练数据集中包含四个样本[1.0,1.1],[1.0,1.0],[0.0,0.0],[0,0.1],它们对应的类别分别是A,A,B,B
import numpy as np
import pandas as pd
import operator
import matplotlib
import matplotlib.pyplot as plt
def createDataSet():
"""
准备数据集
A: 1.0, 1.1
A: 1.0, 1.0
B: 0.0, 0.0
B: 0.0, 0.1
"""
group = np.array([[1.0,1.1],[1.0,1.0],[0.0,0.0],[0,0.1]])
labels = ['A','A','B','B']
return group, labels
接下来实施kNN分类算法。
首先给出k-近邻算法的伪代码:
对未知类别属性的数据集中的每个点依次执行以下操作:
(1)计算已知类别数据集中的每个点与当前点的距离
(2)按照距离递增次序排序
(3)选取与当前点距离最近的k个点
(4)确定前k个点所在类别的出现频率
(5)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
k-近邻算法的Python代码:
def classify(inX, dataSet, labels,k):
"""
K近邻算法
inX:用于分类的输入向量
dataSet:输入的训练样本
labels:向量的标签
k:用于选择最近邻的数目
"""
dataSetSize = dataSet.shape[0] #获取训练样本的个数
diffMat = np.tile(inX, (dataSetSize,1)) - dataSet #tile(inX, (dataSetSize,1)将inX重复n次构成一个与训练集个数相同的新的数组
sqDiffMat = diffMat ** 2 #计算两向量之间差值的平方
sqDistances = sqDiffMat.sum(axis=1) #axis=1按照行求和
distances = sqDistances ** 0.5 #开方得到距离
sortedDistancesIndex = distances.argsort() #将距离从小到大排序并将其下标存入sortedDistIndices
classCount = {}
for i in range(k):
voteLables = labels[sortedDistancesIndex[i]]
classCount[voteLables] = classCount.get(voteLables,0) + 1 #统计各个voteLables出现的次数
sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1),reverse=True)#按照出现的次数从大到小排序
return sortedClassCount[0][0]#取出现次数最多的标签作为inX的标签
下面我们输入[0.7,0.7]测试一下程序的运行结果,结果是A
classify([0.7,0.7],group,labels,3)
- 示例:适用k-近邻算法改进约会网站的配对效果
准备数据:从文本文件中解析数据
海伦发现约会网站的推荐对象大致可以分为以下三类,
- 不喜欢的人
- 魅力一般的人
- 极具魅力的人
为了将网站推荐的对象更好地划分到确切的分类中,我们现在收集了1000条数据,包含三个特征: - 每年获得的飞行常客里程数
- 玩视频游戏所耗时间百分比
- 每周消费的冰淇淋公升数
首先我们需要创建file2matrix函数来处理存储数据文件的格式,函数中的filename参数即为文件名,存储在当前文件夹下
def file2matrix(filename):
fr = open(filename)
arrayOfLines = fr.readlines()
numberOfLines = len(arrayOfLines)#文件行数
#返回创建的numpy矩阵
returnMat = np.zeros((numberOfLines, 3))
classLabelVector = []
index = 0
#解析文件数据到列表
for line in arrayOfLines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index,:] = listFromLine[0:3] #取前三列为特征
classLabelVector.append(int(listFromLine[-1])) #最后一列为标签
index+=1
return returnMat,classLabelVector
#导入数据
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
分析数据:使用Matplotlib创建散点图
为了使数据更加直观,我们通过作图来展示数据
#datingDataMat[:,0]——每年获取的飞行常客里程数frequent flier miles earned per year
#datingDataMat[:,1]——玩视频游戏所耗时间百分比percentage of time spent playing vedio games
#datingDataMat[:,2]——每周消耗的冰淇淋公升数liters of ice cream consumed per year
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0 * np.array(datingLabels),15.0 * np.array(datingLabels))#datingDataMat[:,1]:玩视频游戏所耗时间百分比;datingDataMat[:,2]:每周消耗的冰淇淋公升数
plt.xlabel('percentage of time spent playing vedio games')
plt.ylabel('liters of ice cream consumed per year')
plt.show()
看来游戏时间和冰激淋数量并不能很好的区分三类对象。下面再试一下
常旅客里程和游戏时间,分类结果比较明显
#datingDataMat[:,0]——每年获取的飞行常客里程数frequent flier miles earned per year
#datingDataMat[:,1]——玩视频游戏所耗时间百分比percentage of time spent playing vedio games
#datingDataMat[:,2]——每周消耗的冰淇淋公升数liters of ice cream consumed per year
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,0],datingDataMat[:,1],15.0 * np.array(datingLabels),15.0 * np.array(datingLabels))#datingDataMat[:,1]:玩视频游戏所耗时间百分比;datingDataMat[:,2]:每周消耗的冰淇淋公升数
plt.xlabel('percentage of time spent playing vedio games')
plt.ylabel('liters of ice cream consumed per year')
plt.show()
对比后发现,常旅客里程和游戏时间的区分效果最好。
准备数据:归一化数值
由于飞机常客里程数的数值差异最大,因此计算距离时它对结果的影响最大。但三个特征对结果应该是同样重要的,因此我们采用下面的公式对数据进行归一化处理。
newValue = (OldValue - min)/(max-min)
def autoNorm(dataSet):
minVals = dataSet.min(0)#取当前列的最小值
maxVals = dataSet.max(0)#取当前列的最大值
ranges = maxVals - minVals
normDataSet = np.zeros(np.shape(dataSet))
m=dataSet.shape[0]
normDataSet = dataSet - np.tile(minVals,(m,1))
normDataSet = normDataSet/np.tile(ranges,(m,1))
return normDataSet,ranges,minVals
normMat, ranges,minVals=autoNorm(datingDataMat)
测试算法:作为完整程序验证分类器
选取10%的数据计算错误率来检测分类器的性能。这里我们定义一个计数器变量,每次分类器错误的分类数据,计数器就加一,程序执行完成后计数器的结果除以数据点总数就是错误率。调用函数后得到错误率是5%,说明分类器效果很好。
def datingClassTest():
hRatio = 0.10 #取10%的数据作为测试集
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
normMat,ranges,minVals=autoNorm(datingDataMat)
m = normMat.shape[0]
numTestVecs = int(m*hRatio)
errorCount = 0.0
for i in range(numTestVecs):
classifierResult = classify(normMat[i,:],normMat[numTestVecs:m,:],
datingLabels[numTestVecs:m],3)
print("the classifier came back with: %d, the real answer is: %d" % (classifierResult, datingLabels[i]))
if (classifierResult != datingLabels[i]): errorCount+=1.0
print("the total error rate is: %f" % (errorCount / float(numTestVecs)))
使用算法:构建完整可用系统
这里加入了raw_input函数,作用是允许用户输入文本行命令并返回用户所输入的命令。
def classifyPerson():
resultList = ['not at all','in small doses','in large doses']
percentTats = float(raw_input('percentage of time spent playing vedio games?'))
ffMiles = float(raw_input('frequent flier miles earned per year?'))
iceCream = float(raw_input('liters of ice cream consumed per year?'))
datingDataMat, datingLabels =file2matrix('datingTestSet2.txt')
normMat,ran,minVals = autoNorm(datingDataMat)
inArr = np.array([ffMiles,percentTats,iceCream])
classifierResult =classify((inArr-minVals)/ranges, normMat,datingLabels,3)
print('you will probably like this person:',resultList[classifierResult-1])
classifyPerson()
#percentage of time spent playing vedio games?10
#frequent flier miles earned per year?10000
#liters of ice cream consumed per year?0.5
#('you will probably like this person:', 'in small doses')