机器学习实战第二章K-近邻算法

1. 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。
2. 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) 

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')