机器学习实战——第二章 K-近邻算法

目录

2.1 概述

2.1.1 准备：使用python导入数据

2.1.2 从文本文件中解析数据

2.2 示例：使用k-近邻算法改进约会网站的配对效果

2.2.1 准备数据：从文本文件中解析数据

2.2.2 分析数据：使用Matplotlib创建散点图

2.2.3 准备数据：归一化数值 

2.2.4 测试算法：作为完整程序验证分类器

2.2.5 使用算法：构建完整可用系统

2.3 示例：手写识别系统

2.3.1 准备数据：将图像转换为测试向量

2.3.2 测试算法：使用k-近邻算法识别手写数字

2.4 小结

---

2.1 概述

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。

一般流程：

1. 收集数据：可以用任何方法。
2. 准备数据：距离计算所需要的数据，最好是结构化的数据格式。
3. 分析数据：可以使用任何方法。
4. 训练算法：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。

2.1.1 准备：使用python导入数据

创建一个kNN.py文件，添加下面的代码：

from numpy import *
import operator
 
def createDataset () :
    group = array ( [ [1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = [ 'A','A','B','B' ]
    return group,labels

进入python环境，在控制台输入

>>> import kNN
>>> group,labels = kNN.createDataset()
>>> group

 得到结果：

 

2.1.2 从文本文件中解析数据

k-近邻算法伪代码和实际Python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点与当前点之间的距离；
2. 按照距离递增次序排序；
3. 选取与当前点距离最小的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。

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()
    classCount={}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

欧氏距离公式：

计算两个向量点xA和xB之间的距离

2.2 示例：使用k-近邻算法改进约会网站的配对效果

2.2.1 准备数据：从文本文件中解析数据

创建一个kNN2.py文件，并写一个为file2matrix的函数，以此来处理输入格式问题。

将datingTestSet.txt放到与kNN2.py相同目录下，编写代码如下：

def file2matrix(filename):
    fr = open(filename)
    numberOfLines = len(fr.readlines())  # get the number of lines in the file
    returnMat = zeros((numberOfLines, 3))  # prepare matrix to return
    classLabelVector = []  # prepare labels return
 
    index = 0
    for line in fr.readlines():
        line = line.strip()
        listFromLine = line.split('\t')
        returnMat[index, :] = listFromLine[0:3]
        classLabelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat, classLabelVector

运行上述代码，得到的数据解析结果如下：

2.2.2 分析数据：使用Matplotlib创建散点图

首先我们使用Matplotlib制作原始数据的散点图，在python命令行环境中，输人下列命令：

import kNN
import matplotlib
import matplotlib.pyplot as plt
datingDataMat,datingLabels = kNN.file2matrix('datingTestSet.txt')
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2])
plt.show()

运行上述代码，得到的数据解析结果如下： 

 

2.2.3 准备数据：归一化数值 

在处理不同取值范围的特征值时，通常采用方法是将数值归一化，如将取值范围处理为0到1或者-1到1之间。

添加下面的代码到kNN2.py中，该函数可以自动将数字特征值转化为0到1的区间。

def autoNorm(dataSet):
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals
    normDataSet = zeros(shape(dataSet))
    m = dataSet.shape[0]
    normDataSet = dataSet - tile(minVals, (m,1))
    normDataSet = normDataSet/tile(ranges, (m,1))   #element wise divide
    return normDataSet, ranges, minVals

 我们将每列最小值放在变量minVals中，最大值放在变量maxVals中，其中dataSet.min（0）中的参数0使得函数可以从列中选取最小值，而不是选取当前行的最小值。然后，函数计算可能的取值范围，并创建新的返回矩阵。

datingDataMat,datingLabels = kNN.file2matrix('datingTestSet.txt')
normMat, ranges, minVals = kNN.autoNorm(datingDataMat)
print(normMat)

运行上述代码，得到的数据解析结果如下： 

2.2.4 测试算法：作为完整程序验证分类器

为测试分类器效果，在kNN2.py文件中创建datingClassTest函数：

def datingClassTest():
    hoRatio = 0.50      #hold out 10%
    #将文件中读取数据转换为归一化特征值
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
    normMat, ranges, minVals = autoNorm(datingDataMat)
    m = normMat.shape[0]
    numTestVecs = int(m*hoRatio)
    errorCount = 0.0
    for i in range(numTestVecs):
        classifierResult = classify0(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)))
    print (errorCount)

函数首先使用了file2matrix和autoNorm ()函数从文件中读取数据并将其转换为归一化特征值。接着计算测试向量的数量，此步决定了normMat向量中哪些数据用于测试，哪些数据用于分类器的训练样本;然后将这两部分数据输入到原始kNN分类器函数classify0。最后，函数计算错误率并输出结果。

运行上述代码，得到的数据解析结果如下： 

该数据集错误率为5%。改变函数中变量hoRatio和变量k的值，错误率也会发生变化。 

2.2.5 使用算法：构建完整可用系统

我们可以给海伦一个小段程序，通过该程序海伦会在约会网站上找到某个人并输入他的信息。程序会给出她对男方喜欢程度的预测值。

在kNN2.py文件中创建函数classifyPerson，代码如下：

def classifyPerson():
    #输出结果
    resultList = ['not at all','in small doses','in large doses']
    #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 = "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([ffMiles, precentTats, iceCream])
    #测试集归一化
    norminArr = (inArr - minVals) / ranges
    #返回分类结果
    classifierResult = kNN.classify0(norminArr, normMat, datingLabels, 3)
    #打印结果
    print("You will probably like this person:",resultList[classifierResult-1])

运行上述代码，得到的数据解析结果如下： 

 

2.3 示例：手写识别系统

2.3.1 准备数据：将图像转换为测试向量

添加下列代码到kNN2.py，将图像转换为向量：

def img2vector(filename):
    returnVect = zeros((1,1024))
    fr = open(filename)
    for i in range(32):
        lineStr = fr.readline()
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])
    return returnVect

filename2 = "D:\project\jqxxsz\\testDigits\\0_13.txt"
    testvector = img2vector(filename2)
    test2 = testvector[0,0:31]
    test3 = testvector[0,32:63]
    print(test2)
    print(test3)

运行上述代码，得到的数据解析结果如下：

2.3.2 测试算法：使用k-近邻算法识别手写数字

将下列代码加入kNN2.py中，主要功能是从os模块中导入函数listdir，它可以列出给定目录的文件名：

def handwritingClassTest():
    hwLabels = []
    trainingFileList = listdir('D:\\project\\jqxxsz\\trainingDigits')  #load the training set
    m = len(trainingFileList)
    trainingMat = zeros((m,1024))
    for i in range(m):
        fileNameStr = trainingFileList[i]
        fileStr = fileNameStr.split('.')[0]     #take off .txt
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainingMat[i,:] = img2vector('D:\\project\\jqxxsz\\trainingDigits/%s' % fileNameStr)
    testFileList = listdir('D:\\project\\jqxxsz\\testDigits')        #iterate through the test set
    errorCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]     #take off .txt
        classNumStr = int(fileStr.split('_')[0])
        vectorUnderTest = img2vector('D:\\project\\jqxxsz\\testDigits/%s' % fileNameStr)
        classifierResult = kNN.classify0(vectorUnderTest, trainingMat, hwLabels, 3)
        print("the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr))
        if (classifierResult != classNumStr): errorCount += 1.0
    print("\nthe total number of errors is: %d" % errorCount)
    print("\nthe total error rate is: %f" % (errorCount/float(mTest)))

1. 将trainingDigits目录的文件内容存储在列表中，然后可以得到目录中有多少文件，并将其存储在变量m中。
2. 代码创建一个m行1024列的训练矩阵，该矩阵的每行数据存储一个图像。我们可以从文件名中解析出分类数字。该目录下的文件按照规则命名。
3. 然后我们可以将类代码存储在hwLabels向量中，使用前面讨论的img2vector函数载入图像。
4. 在下一步中，我们对testDigits目录中的文件执行相似的操作，不同之处是我们并不将这个目录下的文件载入矩阵中，而是使用classify0()函数测试该目录下的每个文件。

 运行上述代码，得到的数据解析结果如下：

 

2.4 小结

k-近邻算法是分类数据最简单最有效的算法，本章通过两个例子讲述了如何使用k-近邻算法构造分类器。k-近邻算法是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数据。k-近邻算法必须保存全部数据集，如果训练数据集的很大，必须使用大量的存储空间。此外，由于必须对数据集中的每个数据计算距离值，实际使用时可能非常耗时。

k-近邻算法的另一个缺陷是它无法给出任何数据的基础结构信息，因此我们也无法知晓平均实例样本和典型实例样本具有什么特征。