K近邻算法实例

sec0nd_

于 2022-11-04 08:15:00 发布

阅读量1.4k

点赞数 1

文章标签：近邻算法算法

本文链接：https://blog.csdn.net/weixin_52444045/article/details/127670123

版权

一、实验目的

1、理解K近邻算法中距离的度量、K值得选取和分类决策规则的确定；
2、掌握用K近邻模型对所给的实例进行正确分类的方法；
3、掌握K近邻相关数据结构并能熟练运用Python编写程序。

二、实验要求

1、读代码，学python。要求能读懂所给代码，能改写代码实现其它类似算法
2、运行结果要截图并对结果做分析；
3、所有内容汇总到本文档，无需提供.py文件；

三、实验内容

阅读代码并进行注释
用KNN算法改进约会网站的配对效果
海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选，但她并不是喜欢每一个人。经过一番总结，她发现自己交往过的人可以进行如下分类：不喜欢的人、魅力一般的人、极具魅力的人
海伦收集约会数据已经有了一段时间，她把这些数据存放在文本文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。
海伦收集的样本数据主要包含以下3种特征：每年获得的飞行常客里程数、玩视频游戏所消耗时间百分比、每周消费的冰淇淋公升数
将数据集的部分当作训练集，其余作为测试集，通过KNN算法进行分类预测，将预测结果输出并与真实结果对比，计算分类错误率。

四、实验过程（原理，源码）

KNN算法理解：

KNN 算法采用测量不同特征之间的距离方法进行分类，通俗的讲就是：给定一个样本数据集，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个数据与所属分类的对应关系。对新输入没有标签的实例，在训练数据集中找到与该实例最邻近的 k 个实例，这 k 个实例的多数属于某个类，就把该输入实例分为这个类。

1.阅读并对代码进行注释

要实现手写数字识别，首先需要将二进制图像转化为向量，通过构造一个函数，将3232的01串连接起来，输出11204的向量。然后通过KNN算法，计算训练集元素之间的距离并进行分类。最后是将手写数字识别的训练集和测试集进行导入，将预测结果输出并与真实结果对比，算出分类的错误率。
通过对代码按照上述思路进行分析并添加注释：
首先是构造一个函数将3232转换为11024的向量

"""
img2vector 函数说明：将32*32的二进制图像矩阵转换成1*1024的向量
Parameters:
    filename - 二进制图像文件名
Returns:
    returnVect - 1*1024的向量
"""
def img2vector(filename):
    returnVect = np.zeros((1, 1024)) #zeros(shape, dtype=float, order='C') 返回一个给定形状和类型的用0填充的数组；
    fr = open(filename) #读取二进制图像文件
    for i in range(32): #32行
        lineStr = fr.readline()
        for j in range(32): #32列
            returnVect[0, 32*i+j] = int(lineStr[j])
    return returnVect #返回1*1024的向量

下面是KNN算法函数，通过输入训练集数据、分类标准、和K值，返回分类结果

"""
classify0函数说明：knn算法，分类器
Parameters:
    inX - 用于分类的数据（测试集）
    dataSet - 用于训练的数据（训练集）（n*1维列向量）
    labels - 分类标准（n*1维列向量）
    k - kNN算法参数，选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果
"""
def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0] # numpy函数shape[0]返回dataSet的行数
    # 测量欧氏距离
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet #将inX重复dataSetSize次并排成一列
    sqDiffMat = diffMat**2 #二维特征相减后平方（用diffMat的转置乘diffMat）
    sqDistances = sqDiffMat.sum(axis=1) #sum()所有元素相加，sum(0)列相加，sum(1)行相加
    distances = sqDistances**0.5 #开方，计算出距离
    sortedDistIndicies = distances.argsort() # 将距离从小到大进行排序；argsort函数返回的是distances值从小到大的索引值
    classCount = {} #定义一个记录类别次数的字典
    for i in range(k): # 选取前K个最短距离， 选取这K个中最多的分类类别
        voteIlabel = labels[sortedDistIndicies[i]] #取出前k个元素的类别
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #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
    sortedClassCount = sorted(classCount.items(),
                              key=operator.itemgetter(1), reverse=True)  #reverse降序排序字典
    return sortedClassCount[0][0] #返回次数最多的类别，即所要分类的类别

最后是将手写数字识别的训练集导入，并对测试集进行分类，

"""
handwritingClassTest函数说明：进行手写数字识别
"""
def handwritingClassTest():
    hwLabels = []
    trainingFileList = listdir('trainingDigits')     #导入训练集，trainingFileList是训练集各个文件；listdir(path)返回指定路径path下的文件和文件夹列表
    m = len(trainingFileList)  #训练集的文件个数
    trainingMat = np.zeros((m, 1024)) #各个文件变成一行之后的整合矩阵
    for i in range(m):
        fileNameStr = trainingFileList[i]   #fileNameStr单个文件名，训练集的每个文件
        fileStr = fileNameStr.split('.')[0]     #去除.txt后缀，fileStr取分开后的第一个元素
        classNumStr = int(fileStr.split('_')[0])  #classNumStr记录这个数字是什么
        hwLabels.append(classNumStr)
        trainingMat[i, :] = img2vector('trainingDigits/%s' % fileNameStr)  #将训练集的32*32的二进制图像矩阵转换成1*1024的向量
    # 导入测试集
    testFileList = listdir('testDigits')        #iterate through the test set
    errorCount = 0.0 #定义错误数量
    mTest = len(testFileList) #测试集的数量
    for i in range(mTest): #对每个测试集的个体进行识别
        fileNameStr = testFileList[i] #测试集的每个文件
        fileStr = fileNameStr.split('.')[0]     #去除.txt后缀
        classNumStr = int(fileStr.split('_')[0]) #训练集中正确的结果
        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr) #将测试集的32*32的二进制图像矩阵转换成1*1024的向量
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) # 通过knn算法识别对testdigis数据进行猜测的结果
        print("分类的结果: %d, 真实结果: %d" % (classifierResult, classNumStr)) #输出训练集的模拟结果和真实结果
        if (classifierResult != classNumStr): errorCount += 1.0    #当测试结果和训练结果不同时，错误数量+1
    print("\n分类错误数量: %d" % errorCount) #输出模拟识别错误的数量
    print("\n分类错误率: %f" % (errorCount/float(mTest))) #输出错误率

上面最后几行代码是将模拟分类的结果和真实结果进行对比，并计算识别错误的数量和错误率。

下面是运行的结果(不太习惯英文输出，改成了中文)：
在这里插入图片描述

测试集中有946个数据，分类错误的有10个，则错误率为0.10571

2.用KNN算法改进约会网站的配对效果

题目背景：
海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选，但她并不是喜欢每一个人。经过一番总结，她发现自己交往过的人可以进行如下分类：
不喜欢的人 didntLike、魅力一般的人 smallDoses 、极具魅力的人 largeDoses
海伦收集约会数据已经有了一段时间，她把这些数据存放在文本文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。
海伦收集的样本数据主要包含以下3种特征：
每年获得的飞行常客里程数、玩视频游戏所消耗时间百分比、每周消费的冰淇淋公升数
将数据集的部分当作训练集，其余作为测试集，通过KNN算法进行分类预测，将预测结果输出并与真实结果对比，计算分类错误率。

首先第一个函数是KNN算法，与上面代码的KNN算法函数代码相同这里就略去了

"""
函数说明：kNN算法，分类器
Parameters:
    inX - 用于分类的数据（测试集）
    dataSet - 用于训练的数据（训练集）（n*1维列向量）
    labels - 分类标准（n*1维列向量）
    k - kNN算法参数，选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果
"""

然后需要有一个函数将数据集文件进行解读并进行分类

"""
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):
    fr = open(filename)  #打开文件
    arrayOlines = fr.readlines() #读取文件所有内容
    numberOfLines = len(arrayOlines)  #文件行数
    returnMat = np.zeros((numberOfLines, 3)) #返回的NumPy矩阵numberOfLines行，3列
    classLabelVector = [] #创建分类标签向量
    index = 0  #行的索引值
    # 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()
        listFromLine = line.split('\t')  #将每一行内容根据'\t'符进行切片,本例中一共有4列
        returnMat[index, :] = listFromLine[0:3]  #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
        # 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
    return returnMat, classLabelVector #返回标签列向量以及特征矩阵

由于三个特征值的数量级不同，飞行公里数几万公里，冰激凌数量只有零点几公升。为了让这些数据具备可比性，需要采用标准化方法来消除这些差异。这里采用的是min-max标准化归一方法。对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下:其中max为样本数据的最大值，min为样本数据的最小值，令x = (x−min)/(max−min)

下面为归一化函数

"""
函数说明：对数据进行归一化 min-max标准化
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
"""
def autoNorm(dataSet):
    minVals = dataSet.min(0)  #获取数据的最小值
    maxVals = dataSet.max(0)  #获取数据的最大值
    ranges = maxVals - minVals  #最大值和最小值的范围
    normDataSet = np.zeros(np.shape(dataSet))  #shape(dataSet)返回dataSet的矩阵行列数
    m = dataSet.shape[0]  #numpy函数shape[0]返回dataSet的行数
    normDataSet = dataSet - np.tile(minVals, (m, 1)) #原始值减去最小值（x-xmin）
    normDataSet = normDataSet / np.tile(ranges, (m, 1)) #差值处以最大值和最小值的差值（x-xmin）/（xmax-xmin）
    return normDataSet, ranges, minVals  #归一化数据结果，数据范围，最小值

最后是导入数据集进行分类测试，这里是采取的使用数据集中的后90%为训练集进行分类训练，剩余数据为测试集进行测试。将模拟分类的结果和真实结果进行对比，并计算识别错误的数量和错误率。

"""
函数说明：分类器测试函数
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值
"""
def datingClassTest():
    filename = "datingTestSet.txt"  #打开数据集文件
    datingDataMat, datingLabels = file2matrix(filename)  #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
    hoRatio = 0.10  #取所有数据的10% hoRatio越小，错误率越低
    normMat, ranges, minVals = autoNorm(datingDataMat)  #数据归一化，返回归一化数据结果，数据范围，最小值
    m = normMat.shape[0]  #获取normMat的行数
    numTestVecs = int(m * hoRatio)  #数据集中10%的个数
    errorCount = 0.0  #分类错误的计数
    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], 7)
        print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))  #输出分类的结果和真实结果
        if classifierResult != datingLabels[i]: #分类结果与真实结果不同时，错误计数+1
            errorCount += 1.0
    print("\n分类错误数量: %d" % errorCount)  # 输出模拟识别错误的数量
    print("错误率:%f%%" % (errorCount / float(numTestVecs) * 100))  #输出错误率

下图为运行结果
在这里插入图片描述

参考

机器学习算法-KNN代码实现https://blog.csdn.net/weixin_47156261/article/details/122244380
数据归一化方法https://blog.csdn.net/xinghuanmeiying/article/details/91873329
机器学习 | KNN算法详解及代码https://zhuanlan.zhihu.com/p/484029409
机器学习实战 – Task01. K邻近http://www.360doc.com/content/20/0817/17/71178898_930801597.shtml
机器学习实战手写识别系统https://blog.csdn.net/qq_36895331/article/details/109000266
https://blog.csdn.net/xiaoyun5555/article/details/107360933/

附录

手写数字识别代码及注释：

1.	import numpy as np
2.	import operator
3.	from os import listdir
4.	"""
5.	classify0函数说明：knn算法，分类器
6.	Parameters:
7.	    inX - 用于分类的数据（测试集）
8.	    dataSet - 用于训练的数据（训练集）（n1维列向量）
9.	    labels - 分类标准（n1维列向量）
10.	    k - kNN算法参数，选择距离最小的k个点
11.	Returns:
12.	    sortedClassCount[0][0] - 分类结果
13.	"""
14.	def classify0(inX, dataSet, labels, k):
15.	    dataSetSize = dataSet.shape[0] # numpy函数shape[0]返回dataSet的行数
16.	    # 测量欧氏距离
17.	    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet #将inX重复dataSetSize次并排成一列
18.	    sqDiffMat = diffMat2 #二维特征相减后平方（用diffMat的转置乘diffMat）
19.	    sqDistances = sqDiffMat.sum(axis=1) #sum()所有元素相加，sum(0)列相加，sum(1)行相加
20.	    distances = sqDistances0.5 #开方，计算出距离
21.	    sortedDistIndicies = distances.argsort() # 将距离从小到大进行排序；argsort函数返回的是distances值从小到大的索引值
22.	    classCount = {} #定义一个记录类别次数的字典
23.	    for i in range(k): # 选取前K个最短距离， 选取这K个中最多的分类类别
24.	        voteIlabel = labels[sortedDistIndicies[i]] #取出前k个元素的类别
25.	        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #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
26.	    sortedClassCount = sorted(classCount.items(),
27.	                              key=operator.itemgetter(1), reverse=True)  #reverse降序排序字典
28.	    return sortedClassCount[0][0] #返回次数最多的类别，即所要分类的类别
29.	"""
30.	img2vector 函数说明：将3232的二进制图像矩阵转换成11024的向量
31.	Parameters:
32.	    filename - 二进制图像文件名
33.	Returns:
34.	    returnVect - 11024的向量
35.	"""
36.	def img2vector(filename):
37.	    returnVect = np.zeros((1, 1024)) #zeros(shape, dtype=float, order='C') 返回一个给定形状和类型的用0填充的数组；
38.	    fr = open(filename) #读取二进制图像文件
39.	    for i in range(32): #32行
40.	        lineStr = fr.readline()
41.	        for j in range(32): #32列
42.	            returnVect[0, 32i+j] = int(lineStr[j])
43.	    return returnVect #返回11024的向量
44.	 
45.	"""
46.	handwritingClassTest函数说明：进行手写数字识别
47.	"""
48.	def handwritingClassTest():
49.	    hwLabels = []
50.	    trainingFileList = listdir('trainingDigits')     #导入训练集，trainingFileList是训练集各个文件；listdir(path)返回指定路径path下的文件和文件夹列表
51.	    m = len(trainingFileList)  #训练集的文件个数
52.	    trainingMat = np.zeros((m, 1024)) #各个文件变成一行之后的整合矩阵
53.	    for i in range(m):
54.	        fileNameStr = trainingFileList[i]   #fileNameStr单个文件名，训练集的每个文件
55.	        fileStr = fileNameStr.split('.')[0]     #去除.txt后缀，fileStr取分开后的第一个元素
56.	        classNumStr = int(fileStr.split('')[0])  #classNumStr记录这个数字是什么
57.	        hwLabels.append(classNumStr)
58.	        trainingMat[i, :] = img2vector('trainingDigits/%s' % fileNameStr)  #将训练集的3232的二进制图像矩阵转换成11024的向量
59.	    # 导入测试集
60.	    testFileList = listdir('testDigits')        #iterate through the test set
61.	    errorCount = 0.0 #定义错误数量
62.	    mTest = len(testFileList) #测试集的数量
63.	    for i in range(mTest): #对每个测试集的个体进行识别
64.	        fileNameStr = testFileList[i] #测试集的每个文件
65.	        fileStr = fileNameStr.split('.')[0]     #去除.txt后缀
66.	        classNumStr = int(fileStr.split('')[0]) #训练集中正确的结果
67.	        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr) #将测试集的3232的二进制图像矩阵转换成11024的向量
68.	        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) # 通过knn算法识别对testdigis数据进行猜测的结果
69.	        print("分类的结果: %d, 真实结果: %d" % (classifierResult, classNumStr)) #输出训练集的模拟结果和真实结果
70.	        if (classifierResult != classNumStr): errorCount += 1.0    #当测试结果和训练结果不同时，错误数量+1
71.	    print("n分类错误数量: %d" % errorCount) #输出模拟识别错误的数量
72.	    print("n分类错误率: %f" % (errorCount/float(mTest))) #输出错误率
73.	    
74.	if name == 'main':
75.	    handwritingClassTest()

约会网站配对效果代码及注释：

1.	import matplotlib.lines as mlines
2.	import matplotlib.pyplot as plt
3.	import time
4.	import numpy as np
5.	import operator
6.	 
7.	"""
8.	函数说明：kNN算法，分类器
9.	Parameters:
10.	    inX - 用于分类的数据（测试集）
11.	    dataSet - 用于训练的数据（训练集）（n1维列向量）
12.	    labels - 分类标准（n1维列向量）
13.	    k - kNN算法参数，选择距离最小的k个点
14.	Returns:
15.	    sortedClassCount[0][0] - 分类结果
16.	"""
17.	def classify0(inX, dataSet, labels, k):
18.	    dataSetSize = dataSet.shape[0]  # numpy函数shape[0]返回dataSet的行数
19.	    # 测量欧氏距离
20.	    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet  # 将inX重复dataSetSize次并排成一列
21.	    sqDiffMat = diffMat  2  # 二维特征相减后平方（用diffMat的转置乘diffMat）
22.	    sqDistances = sqDiffMat.sum(axis=1)  # sum()所有元素相加，sum(0)列相加，sum(1)行相加
23.	    distances = sqDistances  0.5  # 开方，计算出距离
24.	    sortedDistIndicies = distances.argsort()  # 将距离从小到大进行排序；argsort函数返回的是distances值从小到大的索引值
25.	    classCount = {}  # 定义一个记录类别次数的字典
26.	    for i in range(k):  # 选取前K个最短距离， 选取这K个中最多的分类类别
27.	        voteIlabel = labels[sortedDistIndicies[i]]  # 取出前k个元素的类别
28.	        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1  # 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
29.	    sortedClassCount = sorted(classCount.items(),
30.	                              key=operator.itemgetter(1), reverse=True)  # reverse降序排序字典
31.	    return sortedClassCount[0][0]  # 返回次数最多的类别，即所要分类的类别
32.	 
33.	 
34.	"""
35.	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
36.	Parameters:
37.	    filename - 文件名
38.	Returns:
39.	    returnMat - 特征矩阵
40.	    classLabelVector - 分类label向量
41.	"""
42.	def file2matrix(filename):
43.	    fr = open(filename)  #打开文件
44.	    arrayOlines = fr.readlines() #读取文件所有内容
45.	    numberOfLines = len(arrayOlines)  #文件行数
46.	    returnMat = np.zeros((numberOfLines, 3)) #返回的NumPy矩阵numberOfLines行，3列
47.	    classLabelVector = [] #创建分类标签向量
48.	    index = 0  #行的索引值
49.	    # 读取每一行
50.	    for line in arrayOlines:
51.	        # 去掉每一行首尾的空白符，例如'n','r','t',' '
52.	        line = line.strip()
53.	        listFromLine = line.split('t')  #将每一行内容根据't'符进行切片,本例中一共有4列
54.	        returnMat[index, :] = listFromLine[0:3]  #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
55.	        # 根据文本内容进行分类1：不喜欢；2：一般；3：喜欢
56.	        if listFromLine[-1] == 'didntLike':
57.	            classLabelVector.append(1)
58.	        elif listFromLine[-1] == 'smallDoses':
59.	            classLabelVector.append(2)
60.	        elif listFromLine[-1] == 'largeDoses':
61.	            classLabelVector.append(3)
62.	        index += 1
63.	    return returnMat, classLabelVector #返回标签列向量以及特征矩阵
64.	 
65.	"""
66.	函数说明：对数据进行归一化 min-max标准化
67.	Parameters:
68.	    dataSet - 特征矩阵
69.	Returns:
70.	    normDataSet - 归一化后的特征矩阵
71.	    ranges - 数据范围
72.	    minVals - 数据最小值
73.	"""
74.	def autoNorm(dataSet):
75.	    minVals = dataSet.min(0)  #获取数据的最小值
76.	    maxVals = dataSet.max(0)  #获取数据的最大值
77.	    ranges = maxVals - minVals  #最大值和最小值的范围
78.	    normDataSet = np.zeros(np.shape(dataSet))  #shape(dataSet)返回dataSet的矩阵行列数
79.	    m = dataSet.shape[0]  #numpy函数shape[0]返回dataSet的行数
80.	    normDataSet = dataSet - np.tile(minVals, (m, 1)) #原始值减去最小值（x-xmin）
81.	    normDataSet = normDataSet / np.tile(ranges, (m, 1)) #差值处以最大值和最小值的差值（x-xmin）/（xmax-xmin）
82.	    return normDataSet, ranges, minVals  #归一化数据结果，数据范围，最小值
83.	 
84.	 
85.	"""
86.	函数说明：分类器测试函数
87.	Returns:
88.	    normDataSet - 归一化后的特征矩阵
89.	    ranges - 数据范围
90.	    minVals - 数据最小值
91.	"""
92.	def datingClassTest():
93.	    filename = "datingTestSet.txt"  #打开数据集文件
94.	    datingDataMat, datingLabels = file2matrix(filename)  #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
95.	    hoRatio = 0.10  #取所有数据的10% hoRatio越小，错误率越低
96.	    normMat, ranges, minVals = autoNorm(datingDataMat)  #数据归一化，返回归一化数据结果，数据范围，最小值
97.	    m = normMat.shape[0]  #获取normMat的行数
98.	    numTestVecs = int(m  hoRatio)  #数据集中10%的个数
99.	    errorCount = 0.0  #分类错误的计数
100.	    for i in range(numTestVecs):
101.	        # 前numTestVecs个数据作为测试集，后m-numTestVecs个数据作为训练集
102.	        # k选择label数+1（结果比较好）
103.	        classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :],
104.	                                     datingLabels[numTestVecs:m], 7)
105.	        print("分类结果:%dt真实类别:%d" % (classifierResult, datingLabels[i]))  #输出分类的结果和真实结果
106.	        if classifierResult != datingLabels[i]: #分类结果与真实结果不同时，错误计数+1
107.	            errorCount += 1.0
108.	    print("n分类错误数量: %d" % errorCount)  # 输出模拟识别错误的数量
109.	    print("错误率:%f%%" % (errorCount / float(numTestVecs)  100))  #输出错误率
110.	 
111.	"""
112.	函数说明：main函数
113.	"""
114.	def main():
115.	    # 获取程序运行时间
116.	    start = time.perfcounter()
117.	    datingClassTest()
118.	    # 结束时间
119.	    end = time.perfcounter()
120.	 
121.	    # 打印程序运行时间
122.	    print('Running time: %f Seconds' % (end - start))
123.	 
124.	if name == 'main':
125.	    main()