2.1 k-近邻算法概述
k-近邻算法采用测量不同特征值之间的距离方法进行分类。
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。
*标称型数据:是指只在有限目标集中取值的离散值,例如“真”或“假”。
工作原理:
存在一个样本数据集合,也称做训练样本集,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种最相似(最近邻)的分类标签。一般来所我们悬着样本数据集中前k个最相似的数据,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:
- 收集数据
- 准备数据
- 分析数据
- 训练算法
- 测试算法
- 使用算法
2.1.1 准备: 使用Python导入数据
##导包
import numpy as np
import operator
import matplotlib
import matplotlib.pyplot as plt
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
2.1.2 实施kNN算法
算法描述:
对未知类别属性的数据集中的每个点依次执行以下操作:
- 计算已知类别数据集中的点与当前点之间的距离;
- 按照距离递增的次序排序;
- 选取与当前点距离最小的k个点;
- 确定前k个点所在类别的出现频率;
- 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):
'''
:param inX: 用于分类的输入向量
:param dataSet: 输入的训练样本集
:param labels: 标签向量
:param k: 用于选择最近邻居的数目
:return: 分类标签
'''
## 计算距离
"""
numpy array shape[] 获取行或列数 shape[0]代表行数,shape[1]代表列数。
获取样本集的行数
"""
dataSetSize = dataSet.shape[0]
"""
numpy array tile 平铺所给的数组
使用欧式距离公式计算目标向量与样本集的差值数组
"""
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistance = sqDiffMat.sum(axis=1)
distance = sqDistance ** 0.5
sortedDistIndicies = distance.argsort()
## 选择距离最小的k个点
classCount = {}
for i in range(k) :
voteIlable = labels[sortedDistIndicies[i]]
classCount[voteIlable] = classCount.get(voteIlable, 0) + 1
## 排序
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
程序中,使用欧式距离公式,计算两个向量点xA和xB之间的距离:
d = ( x A 0 − x B 0 ) 2 + ( x A 1 − x B 1 ) 2 d = \sqrt{(xA_{0} - xB_{0})^{2} + (xA_{1} - xB_{1})^{2}} d=(xA0−xB0)2+(xA1−xB1)2
2.2 示例:使用k-近邻算法改进约会网站的配对效果
示例:在约会网站上使用k-邻近算法:
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画二维图
4. 训练算法:此步骤不适用k-近邻算法
5. 测试算法:部分数据作为测试样本
6. 使用算法:输入一些特征数据以判断对方是否为自己喜欢的类型
2.2.1 准备数据:从文本文件中解析数据
def file2matrix(filename) :
'''
:param filename: 文件名
:return: returnMat 样本特征值矩阵,classLabelVector 样本类别数组
'''
##喜爱程度字典
love_dictionary = {'largeDoses': 3, 'smallDoses': 2, 'didntLike': 1}
'''
得到文件行数
'''
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
'''
创建返回的Numpy矩阵
'''
returnMat = np.zeros((numberOfLines, 3))
classLabelVector = []
index = 0
'''
解析文件数据到列表
'''
for line in arrayOLines :
line = line.strip()
listFromLine = line.split('\t')
returnMat[index, :] = listFromLine[0:3]
if (listFromLine[-1].isdigit()):
classLabelVector.append(int(listFromLine[-1]))
else:
classLabelVector.append(love_dictionary.get(listFromLine[-1]))
index += 1
return returnMat, classLabelVector
if __name__ == '__main__':
datingDataMat, datingLabels = file2matrix('./resource/datingTestSet.txt')
print(datingDataMat)
print(datingLabels)
2.2.2 分析数据:使用Matplot创建散点图
def demo1ScatterPlot(mat, vector):
fig = plt.figure()
ax = fig.add_subplot(111)
# ax.scatter(datingDataMat[:,1], datingDataMat[:,2])
ax.scatter(mat[:, 1], mat[:, 2], 15.0 * np.array(vector), 15.0 * np.array(vector))
plt.show()
if __name__ == '__main__':
datingDataMat, datingLabels = file2matrix('./resource/datingTestSet.txt')
demo1ScatterPlot(datingDataMat, datingLabels)
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,我们通常采用的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。
下面的公式可以将任意范围的特征值转化为0到1区间内的值:
n
e
w
V
a
l
u
e
=
(
o
l
d
V
a
l
u
e
−
m
i
n
)
/
(
m
a
x
−
m
i
n
)
newValue = (oldValue - min) / (max - min)
newValue=(oldValue−min)/(max−min)
归一化特征值:
def autoNorm(dataSet) :
'''
:param dataSet: 数据集
:return: 归一(标准)数据集 取值范围 最小值
'''
##每列的最小值
minVals = dataSet.min(0)
##每列的最大值
maxVals = dataSet.max(0)
##取值范围
ranges = maxVals - minVals
normDataSet = np.zeros(np.shape(dataSet))
m = dataSet.shape[0]
##按行平铺minvals,并与dataSet做减法
normDataSet = dataSet - np.tile(minVals, (m, 1))
##特征值相除,归一化数值
normDataSet = normDataSet / np.tile(ranges, (m, 1))
return normDataSet, ranges, minVals
if __name__ == '__main__':
datingDataMat, datingLabels = file2matrix('./resource/datingTestSet.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
print(normMat)
print(ranges)
print(minVals)
2.2.4 测试算法:作为完整程序验证分类器
分类器针对约会网站的测试代码:
def datingClassTest() :
hoRatio = 0.10
datingDataMat, datingLabels = file2matrix('./resource/datingTestSet.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)
if __name__ == '__main__':
datingClassTest()
2.2.5 使用算法:构建完整可用系统
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?"))
ffMiles = float(input("frequent flier miles earned per year?"))
iceCream = float(input("liters of ice cream consumed per year?"))
datingDataMat, datingLabels = file2matrix('./resource/datingTestSet.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: %s" % resultList[classifierResult - 1])
if __name__ == '__main__':
classifyPerson()
2.3 示例: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。
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k-近邻算法。
5. 测试算法:编写行数使用提供的部分数据作为测试样本,测试样本与非测试样的区别在于测试样本已经完成分类数据,如果测试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。
2.3.1 准备数据:将图像转换为测试向量
def img2vector(filename) :
returnVect = np.zeros((1, 2024))
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
if __name__ == '__main__':
testVector = img2vector("./resource/testDigits/0_13.txt")
print(testVector[0, 0: 31])
2.3.2 测试算法:使用k-近邻算法识别手写数字
手写数字识别系统的测试代码:
def handwritingClassTest() :
hwLebels = []
trainingFileList = listdir('./resource/trainingDigits')
m = len(trainingFileList)
trainingMat = np.zeros((m, 1024))
for i in range(m) :
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
hwLebels.append(classNumStr)
trainingMat[i, :] = img2vector('./resource/trainingDigits/%s' % fileNameStr)
testFileList = listdir('./resource/testDigits/')
errorCount = 0;
mTest = len(testFileList)
for i in range(mTest) :
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
vectorUnderTest = img2vector('./resource/testDigits/%s' % fileNameStr)
classifierResult = classify0(vectorUnderTest, trainingMat, hwLebels, 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)))
if __name__ == '__main__':
handwritingClassTest()