机器学习实战：K-近邻算法（KNN）

KNN

K-近邻算法原理

欧几里得距离公式:

伪代码原理

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

详细代码

#coding=utf-8
'''
列表：创建一个列表，只要把逗号分隔的不同的数据项使用方括号括起来即可。如下：labels,索引从0开始
(1)列表截取：list[0],list[0:],list[1:5],list[-1]
(2)删除列表元素：del list[i]
(3)列表长度：len(list)、列表组合：+ 、重复：['a']*2=['a','a']、元素是否存在于列表中：3 in [1,2,3]、迭代：for x in list:print x
(4)列表函数：cmp(list1,list2)/operator.eq(a,b),len(list),max(list),min(list),list(seq):元组转换为列表
(5)列表方法：list.append(),list.count(obj),list.extend(seq),list.index(obj),list.insert(index,obj),list.pop(obj=list[-1]),list.remove(obj),list.reverse(),list.sort([func])
KNN算法使用到的主要函数和方法：
(1)矩阵行和列的数量：array(list).shape[i],0代表行，1代表列
(2)创建固定大小的0矩阵：np.zeros((2,3)),
(3)np.tile(A,reps):将A进行重复输出，np.tile(list,[i,j]):i代表列方向，j代表行方向
(4)矩阵求和：array.sum(axis=0或1)：0代表列，1代表行求和
(5)元素求平方：a**2,求开方：a**0.5
(6)排序sort(),提取源序列排序后的索引位置：argsort(),sorted:字典sorted(dic.items(),key=operator.itemgetter(1),reserve=True)
(7)a.get(k,d):如果K在字典a中，则返回a[k];如果K不在a中，则返回参数d.
(8)字典元素选择:dic[i][j]
'''
from numpy import *
import operator
from os import listdir

def createDataSet():
    group=array([[1.0,1.1],[1,1],[0,0],[1,0.1]])
    labels=['A','A','B','B']
    return group,labels
'''
以上KNN算法的相关函数方法不熟悉，需要进一步了解如下知识点：
（1）和样本集合一样大小的0矩阵的创建，tile(a,x)扩大矩阵
（2）对矩阵中的一行中的所有列求和学习sum(axis=1):没有axis参数表示全部相加，axis＝0表示按列相加，axis＝1表示按照行的方向相加
（3）对矩阵进行排序，然后输出矩阵中的下标：argsort()：argsort()函数是将x中的元素从小到大排列，提取其对应的index(索引)
（4）对字典中的key进行循环累计添加统计get()
（5）对字典按照key对应的值进行排序sorted()
'''
def classify0(inX,dataSet,labels,k):
    dataSetSize = dataSet.shape[0]
    #计算点之间的距离：先创建一个和样本一样大小的0矩阵,沿着y轴方向扩大4倍
    diffMat=tile(inX,(dataSetSize,1))-dataSet
    sqDiffMat=diffMat**2
    sqDistances=sqDiffMat.sum(axis=1)   #sum求和
    distance=sqDistances**0.5
    sortDisIndicies=distance.argsort()  #从小到大排序，输出排序的矩阵的位置标签。
    classCount={} #建立字典，存储所有点的距离和位置顺序
    for i in range(k):
        voteIlabels=labels[sortDisIndicies[i]] #得到排序的坐标的类标签
        classCount[voteIlabels]=classCount.get(voteIlabels,0)+1 #将所有的类标签的数量进行统计
    #字典按照类作为key的数值进行排序，最后选择位置为第一位最大数值的类标签，输出标签
    sortedClassCount=sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]

案例1

'''
举例：使用K-近邻算法改进约会网站的配对效果
(1)创建数据源txt
(2)数据源变换
(3)归一化 = (样本-min)/(max-min)
(4)测试样本
(5)人工输入样本进行测试分类
'''
def file2matrix(filename):
    fr = open(filename)#打开文件
    arrayOLines = fr.readlines()#读取多行
    numberOfLines = len(arrayOLines)#文件行数
    returnMat = zeros((numberOfLines,3))#创建行列0矩阵
    classLabelVector = []
    index = 0
    for line in arrayOLines:
        line = line.strip()#移除头尾固定字符
        listFromLine = line.split('\t')#分割符
        returnMat[index,:] = listFromLine[0:3]
        classLabelVector.append(str(listFromLine[-1]))
        index += 1
    return returnMat,classLabelVector

def autoNorm(dataSet):
    minVals = dataSet.min(0)#0代表列
    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))
    return normDataSet, ranges, minVals
#取10%样本进行校验，计算错误率
def datingClassTest():
    hoRatio = 0.10
    datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingDataMat)#归一化
    m = normMat.shape[0]
    numTestVecs = int(m*hoRatio)
    errorCount = 0.0
    for i in range(numTestVecs):
        classifilerResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
        print "the classifier came back with: %d, the real answer is : %d" %(int(classifilerResult), int(datingLabels[i]))
        if (classifilerResult != datingLabels[i]):
            errorCount +=1.0
        print "the tital error rate is : %f " %(errorCount/float(numTestVecs))
        print errorCount

def classifyPerson():
    resultList = ['not at all','in small doses','in large doses']
    percentTats = float(raw_input("percentage of time spent playing video games?"))
    ffMiles = float(raw_input("freguent flier miles earned per year?"))
    iceCream = float(raw_input("liters of ice cream consumed per year?"))
    #训练
    datingDataMat,datingLabels=file2matrix('datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingDataMat)
    #测试
    inArr = array([ffMiles,percentTats,iceCream])
    classifierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels,3)
    print "You will probably like this person: ",resultList[int(classifierResult)-1]

案例2

'''
举例：手写识别系统
(1)创建数据源txt
(2)转换成向量数据
(3)调用测试和训练数据集
(4)判断测试错误率
'''
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

def handwritingClassTest():
    hwLabels = []
    trainingFileList = listdir('trainingDigits')
    print trainingFileList
    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)#存储类标签
        #转化文件内容矩阵为一维矩阵
        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))