《机器学习实战》《西瓜书》笔记(三)- KNN
KNN原理
- 输入带有标签的训练集
- 输入没有标签的新数据
- 算法将输入数据的特征与训练集的数据的特征进行比较
- 求新数据与样本集中数据的距离
- 算法提取样本集中最相似数据(最近邻)的分类标签,只选择前K个最相似的数据
- 选取k个相似数据频率最多的分类属性作为新数据的分类属性
KNN伪代码
- 计算已知类别数据集中点与当前点的距离
- 按照距离从小到大递增排序
- 选取与当前点距离最小的k个点
- 确定前k个点所在类别出现的频率
- 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
KNN源代码
def classify0(inX, dataSet, labels, k):
# numpy函数shape[0]返回dataSet的行数
dataSetSize = dataSet.shape[0]
# 将inX重复dataSetSize次并排成一列
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
# 二维特征相减后平方(用diffMat的转置乘diffMat)
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
# argsort函数返回的是distances值从小到大的--索引值
sortedDistIndicies = distances.argsort()
# 定义一个记录类别次数的字典
classCount = {}
# 选择距离最小的k个点
for i in range(k):
# 取出前k个元素的类别
voteIlabel = labels[sortedDistIndicies[i]]
# 字典的get()方法,返回指定键的值,如果值不在字典中返回0
# 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]
越预测数据所在的分类
在终端中的交互解释器执行:
>> classify([1.0, 1.0], group, lables, 5)
即可测试得到一个结果
简单的一个示例
数据的准备
在KNN的模块中添加一个实现数据样本的函数,代码如下所示:
import numpy as np
import operator
def creatDataSet():
group = np.array([1, 1], [1, 1.1], [0, 0], [0, 0.1])
labels = ['A', 'A', 'B', 'B']
return group, labels
在交互解释器中执行:
>> import KNN
>> group, lables = KNN.creatDataSet()
>> KNN.classify0([0,0], group, labels, 3)
>> B
可生成一个初步应用于KNN的4维2列的数据集
如何测试分类器
使用分类器的错误率,即分类器给出的错误结果除以测试执行的综述来判断分类器的好坏
示例1 KNN进行约会匹配
执行流程
- 收集数据 : 导入文本文件
- 准备数据: 使用python解析
- 分析数据: matplotlib绘图
- 训练算法:k-近邻不适用
- 测试算法
- 使用算法
准备数据
"""
函数说明:打开解析文件,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
"""
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numberOfLines行,3列
returnMat = np.zeros((numberOfLines, 3))
# 创建分类标签向量
classLabelVector = []
# 行的索引值
index = 0
# 读取每一行
for line in arrayOlines:
# 去掉每一行首尾的空白符,例如'\n','\r','\t',' '
line = line.strip()
# 将每一行内容根据'\t'符进行切片,本例中一共有4列
listFromLine = line.split('\t')
# 将数据的前3列进行提取保存在returnMat矩阵中,也就是特征矩阵
returnMat[index,:] = listFromLine[0:3]
# 根据文本内容进行分类1:不喜欢;2:一般;3:喜欢
if listFromLine[-1] == 'didntLike':
classLabelVector.append(1)
elif listFromLine[-1] == 'smallDoses':
classLabelVector.append(2)
elif listFromLine[-1] == 'largeDoses':
classLabelVector.append(3)
index += 1
# 返回标签列向量以及特征矩阵
return returnMat, classLabelVector
分析数据,使用matplotlib进行画图
"""
函数说明:可视化数据
Parameters:
datingDataMat - 特征矩阵
datingLabels - 分类Label
Returns:
None
Modify:
2018-07-13
"""
def showdatas(datingDataMat, datingLabels):
# 设置汉字格式为14号简体字
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nrows=2,ncols=2时,代表fig画布被分为4个区域,axs[0][0]代表第一行第一个区域
fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8))
# 获取datingLabels的行数作为label的个数
# numberOfLabels = len(datingLabels)
# label的颜色配置矩阵
LabelsColors = []
for i in datingLabels:
# didntLike
if i == 1:
LabelsColors.append('black')
# smallDoses
if i == 2:
LabelsColors.append('orange')
# largeDoses
if i == 3:
LabelsColors.append('red')
# 画出散点图,以datingDataMat矩阵第一列为x,第二列为y,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矩阵第一列为x,第三列为y,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(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矩阵第二列为x,第三列为y,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(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()
准备数据,归一化
"""
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:
2018-07-13
"""
def autoNorm(dataSet):
# 获取数据的最小值
minVals = dataSet.min(0)
# 获取数据的最大值
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))
# numpy函数shape[0]返回dataSet的行数
m = dataSet.shape[0]
# 原始值减去最小值(x-xmin)
normDataSet = dataSet - np.tile(minVals, (m, 1))
# 差值处以最大值和最小值的差值(x-xmin)/(xmax-xmin)
normDataSet = normDataSet / np.tile(ranges, (m, 1))
# 归一化数据结果,数据范围,最小值
return normDataSet, ranges, minVals
测试算法,作为完整程序验证分类器
"""
函数说明:分类器测试函数
Parameters:
None
Returns:
normDataSet - 归一化后的特征矩阵
ranges - 数据范围
minVals - 数据最小值
Modify:
2018-07-13
"""
def datingClassTest():
# 打开文件名
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10% hoRatio越小,错误率越低
hoRatio = 0.10
# 数据归一化,返回归一化数据结果,数据范围,最小值
normMat, ranges, minVals = autoNorm(datingDataMat)
# 获取normMat的行数
m = normMat.shape[0]
# 10%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
# k选择label数+1(结果比较好)
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))
使用算法
"""
函数说明:通过输入一个人的三围特征,进行分类输出
Parameters:
None
Returns:
None
Modify:
2018-07-14
"""
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("玩视频游戏所消耗时间百分比:"))
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 = "datingTestSet.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, 4)
# 打印结果
print("你可能%s这个人" % (resultList[classifierResult - 1]))