k-近邻算法
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进行比较,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。
k-近邻算法的一般流程
(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。
1-1 实施kNN算法
该函数的功能是使用k-近邻算法将每组数据划分到某个类中,其伪代码如下:
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。
k-近邻算法
def classify0(inX,dataSet,labels,k):
#numpy函数shape[0]返回dataSet的行数【shape[0]:表示矩阵的行数;shape[1]:表示矩阵的列数】
dataSetSize = dataSet.shape[0]
#在行向量方向上inX复制dataSetSize次,在列向量方向上复制1次【Numpy的 tile() 函数,就是将原矩阵横向、纵向地复制】
#也就是将分类样本复制为训练样本相同的矩阵结构,再和训练集样本矩阵进行计算,得到每个轴距
diffMat = tile(inX,(dataSetSize,1)) - dataSet
#对diffMat进行平方运算
sqDiffMat = diffMat**2
#将sqdiffMat矩阵的各行相加
#sum(对象,axis=0/1)或者对象.sum(axis=0/1):axis=0代表对象的所有元素进行相加返回一个结果值;axis=0 同行的元素相加,每行返回一个值,通常默认的,且不用写出来。
#对象.sum(axis=1)将矩阵的每一行相加
sqDistances = sqDiffMat.sum(axis=1)
#开根号
distances = sqDistances**0.5
#对距离进行从小到大排序
sortedDistIndicies = distances.argsort()
#定义一个空字典
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
#classCount[voteIlabel]:统计classCount中每个标签出现的次数
#dict.get(voteIlabel,0):返回指定键的值,如果键不在字典中返回默认值 None 或者设置的默认值,在classCount字典中,key为voteIlabel,value为标签出现次数
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
#key=operator.itemgetter(0):根据字典的键进行排序
#key=operator.itemgetter(1):根据字典的值进行排序
#reverse降序排序字典
#返回次数最多的标签
return sortedClassCount[0][0]
1-2 示例:使用 k-近邻算法改进约会网站的配对效果
(1) 收集数据:提供文本文件。
(2) 准备数据:使用Python解析文本文件。
(3) 分析数据:使用Matplotlib画二维扩散图。
(4) 训练算法:此步骤不适用于k-近邻算法。
(5) 测试算法:使用海伦提供的部分数据作为测试样本。
测试样本和非测试样本的区别在于:测试样本是已经完成分类的数据,如果预测分类
与实际类别不同,则标记为一个错误。
(6) 使用算法:产生简单的命令行程序,然后海伦可以输入一些特征数据以判断对方是否
为自己喜欢的类型。
1-2-1 准备数据:从文本文件中解析数据
将下面的代码增加到kNN.py中
将文本记录转换为NumPy的解析程序
#从文本文件中解析数据
def file2matrix(filename):
love_dictionary = {'largeDoses':3, 'smallDoses':2, 'didntLike':1}
fr = open(filename)
#读取文件所有内容
arrayOLines = fr.readlines()
#得到文件行数
numberOfLines = len(arrayOLines)
#返回的特征矩阵,生成一个numberOfLines*3维的零矩阵,1000*3维矩阵
returnMat = zeros((numberOfLines, 3))
#返回的分类标签向量
classLabelVector = []
index = 0
for line in arrayOLines:
#s.strip(rm),当rm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]
if(listFromLine[-1].isdigit()):
classLabelVector.append(listFromLine[-1])
else:
classLabelVector.append(love_dictionary.get(listFromLine[-1]))
index += 1
return returnMat,classLabelVector
1-2-2分析数据:使用 Matplotlib 创建散点图
>>> import matplotlib
>>> import matplotlib.pyplot as plt
>>> plt.rcParams['font.sans-serif']=['SimHei']
>>> plt.rcParams['axes.unicode_minus']=False
>>> fig = plt.figure()
>>> ax = fig.add_subplot(111)
>>> ax.scatter(datingDataMat[:,1], datingDataMat[:,2])
<matplotlib.collections.PathCollection object at 0x0000026AEEE24F40>
>>> plt.xlabel("玩视频游戏所耗时间百分比",fontsize=15,color="blue")
Text(0.5, 0, '玩视频游戏所耗时间百分比')
>>> plt.ylabel("每周消耗的冰淇淋公升数",fontsize=15,color="blue")
Text(0, 0.5, '每周消耗的冰淇淋公升数')
>>> plt.show()
由于没有使用样本分类的特征值,我们很难从图2-3中看到任何有用的数据模式信息。一般来说,我们会采用色彩或其他的记号来标记不同样本分类,以便更好地理解数据信息。Matplotlib库提供的scatter函数支持个性化标记散点图上的点。
出现异常,先标记以下
1-2-3 准备数据:归一化数值
采用min-max归一化方法
#归一化特征值
"""
min(0)返回该矩阵中每一列的最小值
min(1)返回该矩阵中每一行的最小值
max(0)返回该矩阵中每一列的最大值
max(1)返回该矩阵中每一行的最大值
"""
def autoNorm(dataSet):
#获得数据的最小值,minVals为1*3维矩阵
minVals = dataSet.min(0)
#获得数据的最大值,maxVals为1*3维矩阵
maxVals = dataSet.max(0)
#获得最大值和最小值的范围,range为1*3维矩阵
ranges = maxVals - minVals
#shape(dataSet)返回dataSet的矩阵行列数
normDataSet = zeros(shape(dataSet))
#返回dataSet的行数
m = dataSet.shape[0]
#原始值减去最小值
normDataSet = dataSet -tile(minVals,(m,1))
#进行归一化计算
normDataSet = normDataSet/tile(ranges,(m,1))
#返回归一化数据结果,数据范围,最小值
return normDataSet,ranges,minVals
1-2-4 分类器针对约会网站的测试代码
#测试算法:作为完成程序验证分类器
#分类器针对约会网站的测试代码
def datingClassTest():
hoRatio = 0.50
datingDataMat,datingLabels = file2matrix("datingTestSet.txt")
#归一化,得到归一矩阵、差值矩阵、最小值矩阵和行数
normMat, ranges, minVals = autoNorm(datingDataMat)
m = normMat.shape[0]
#取0.5作为测试数据
numTestVecs = int(m*hoRatio)
#错误统计
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)))
1-2-5 约会网站预测函数
def classifyPerson():
resultList = ['一点都不喜欢', '魅力一般的人', '极具魅力']
percentTats = float(input("玩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?"))
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
inArr = array([ffMiles, percentTats, iceCream, ])
classifierResult = classify0((inArr - minVals)/ranges, normMat, datingLabels, 3)
print("你是否会喜欢这样的人: %s" % resultList[int(classifierResult) - 1])
1-3 手写识别系统
示例:使用k-近邻算法的手写识别系统
(1) 收集数据:提供文本文件。
(2) 准备数据:编写函数classify0(),将图像格式转换为分类器使用的list格式。
(3) 分析数据:在Python命令提示符中检查数据,确保它符合要求。
(4) 训练算法:此步骤不适用于k-近邻算法。
(5) 测试算法:编写函数使用提供的部分数据集作为测试样本,测试样本与非测试样本的区别在于测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记为一个错误。
(6) 使用算法:本例没有完成此步骤,若你感兴趣可以构建完整的应用程序,从图像中提取数字,并完成数字识别,美国的邮件分拣系统就是一个实际运行的类似系统。
1-3-1 准备数据:将图像转换为测试向量
def img2vector(filename):
#创建一个1*1024的数组
returnVect = zeros((1, 1024))
fr = open(filename)
#循环读出文件的前32行,readline() 方法用于从文件读取整行,包括 "\n" 字符。
for i in range(32):
lineStr = fr.readline()
#将每行的头32个字符值存储在NumPy数组中
for j in range(32):
returnVect[0, 32*i+j] = int(lineStr[j])
return returnVect
.1-3-2 测试算法:使用 k-近邻算法识别手写数字
def handwritingClassTest():
hwLabels = []
#os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表。
trainingFileList = listdir('trainingDigits')
m = len(trainingFileList)
trainingMat = zeros((m, 1024))
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
trainingMat[i, :] = img2vector('trainingDigits/%s' % fileNameStr)
testFileList = listdir('testDigits')
errorCount = 0.0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
classifierResult = 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)))