工作原理:
存在一个样本数据集合(训练样本集),并且样本集中每个数据都存在标签,即样本集中每一数据都与所属分类有一对应关系。
当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的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,只选择样本数据集中前k个最相似的数据,这也是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。
代码实现:
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Tue Sep 18 10:50:34 2018
@author: parallel
"""
import numpy as np
import operator
import os
#基本的通用函数
def createDataSet():
group = np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels = ['A','A','B','B']
return group,labels
#k-近邻算法
def classify0(inX,dataSet,labels,k): #inX用于分类的输入向量,dataSet训练样本集,labels标签向量,k用于选择最近邻居的数目
dataSetSize = dataSet.shape[0] #获取数据集的大小
diffMat = np.tile(inX,(dataSetSize,1))-dataSet #tile重复inX,(dataSet*1维)
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1) #按行求和
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort() #安距离的递增关系排列,然后提取其对应的索引
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0)+1 #若存在该标签,则voteIlabel对应的值+1,否则加入该标签,值为0+1
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
#上一句的意思:#将字典分解为元组列表,然后使用itemgetter按第二个元素的次序对元组进行排序,此处逆序
return sortedClassCount[0][0]
#实例1:使用k-近邻算法改进约会网站的配对效果
#1准备数据:从文本文件中解析数据---将文本记录转换为Numpy的解析程序
def file2matrix(filename):
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines) #文件行数
returnMat = np.zeros((numberOfLines,3)) #行数*3的NumPy矩阵
classLabelVector = []
index = 0
for line in arrayOLines: #解析文件数据到列表
line = line.strip() #去除首尾空格,截取掉所有的回车字符
listFromLine = line.split('\t') #用\t对字符串line进行切片,将上一行得到的整行数据分割成一个元素列表
returnMat[index,:] = listFromLine[0:3] #只选取前三个元素
classLabelVector.append(int(listFromLine[-1])) #明确的告诉解释器,存储的元素值是整型,否则python会将这些元素当作字符串处理。
index += 1
return returnMat,classLabelVector
#2归一化特征值
def autoNorm(dataSet):
minVals = dataSet.min(0) #0是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
maxVals = dataSet.max(0)
ranges = maxVals-minVals
normDataSet = np.zeros(np.shape(dataSet))
m = dataSet.shape[0]
normDataSet = dataSet-np.tile(minVals,(m,1)) #当前值减去最小值
normDataSet = normDataSet/np.tile(ranges,(m,1)) #然后除以取值范围(具体特征值相除)
return normDataSet,ranges,minVals
#分类器针对约会网站的测试代码
def datingClassTest():
hoRatio = 0.10
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)))
#使用算法构建完整的可用系统---约会网站预测函数
def classifyPerson():
resultList = ['not at all','in small doses','in large doses']
percentTats = float(input("percentage of time spent playing video games?")) #raw_input
ffMiles = float(input("frequent flier miles earned per year?")) #允许用户输入文本行命令并返回所输入的命令
iceCream = float(input("liters of ice cream consumed per year?"))
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
normMat,ranges,minVals = autoNorm(datingDataMat)
inArr = np.array([ffMiles,percentTats,iceCream])
classifierResult = classify0((inArr-minVals)/ranges, normMat, datingLabels, 3)
print("You will probably like this person: ", resultList[classifierResult-1])
#实例2:手写识别系统
#准备数据:将图像转换为测试向量---img2vector
def img2vector(filename):
returnVect = np.zeros((1,1024))
fr = open(filename)
for i in range(32): #循环读出32行
lineStr = fr.readline()
for j in range(32): #每行的头32个字符值存储在Numpy数组中
returnVect[0,32*i+j] = int(lineStr[j])
return returnVect
#测试算法,使用k-近邻算法识别手写数字
def handwritingClassTest():
hwLabels = []
trainingFileList = os.listdir('digits/trainingDigits')
m = len(trainingFileList) #图像的个数
trainingMat = np.zeros((m,1024)) #一行存一个图片
for i in range(m):
fileNameStr = trainingFileList[i] #得到文件名,如0_4.txt
fileStr = fileNameStr.split('.')[0] #从文件名中解析出分类数字,0_4
classNumStr = int(fileStr.split('_')[0]) #0
hwLabels.append(classNumStr)
trainingMat[i,:] = img2vector('digits/trainingDigits/%s' % fileNameStr)
testFileList = os.listdir('digits/testDigits')
errorCount = 0.0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0]) #得到真实的数字分类
vectorUnderTest = img2vector('digits/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)))
在实验中显示k=3的效果比较好。
影响kNN算法效果的因素包括:k值,训练样本的数目以及随机选择训练样本等。
除此之外,KNN算法执行效率不高,因为算法需要为每个测试向量做多次距离计算,每个距离计算包括1024个纬度的浮点运算。而且还需要为测试向量准备一定的存储空间。
k决策树是k-近邻算法的优化版,可以减少存储空间和计算时间的开销。
学习《机器学习实战》一书。