K-近邻算法

最新推荐文章于 2024-02-19 11:22:31 发布

林多

最新推荐文章于 2024-02-19 11:22:31 发布

阅读量4.8k

点赞数 2

分类专栏：计算机视觉文章标签：机器学习算法数据 k-近邻 k-nn

本文链接：https://blog.csdn.net/zxc024000/article/details/53260850

版权

计算机视觉专栏收录该内容

14 篇文章 3 订阅

订阅专栏

机器学习基础知识

监督学习：监督学习从给定的数据中（已经确定了数据的类别）学习模型，之后利用学习的模型，得到目标变量的结果。简单来说，监督学习用来学习的数据，已经给定了类别（标签）、类别数等。是一种预先知道学习后，可能产生的目标变量的结果的学习方式。（例如，已经知道了，学习后用来对猫狗分类，而不是对其他类别分类）。

目标变量的两种类型：标称型和数值型。标称型指：结果在有限目标集中取值，如真与假，｛婴儿、幼年、青年、成年、中年、老年｝。数值型值：目标变量从无限数值集合中取值，这种类型的目标变量主要用于回归分析。

何谓机器学习：简单地说，机器学习就是把无序的数据转换成有用的信息。

训练集：为了训练算法所输入的，大量已分类数据。训练集包含多个训练样本，每个样本包含一个或多个特征、一个目标变量（结果）。对于分类算法（监督学习），训练样本集必须知道目标变量的值，才可以通过机器学习算法发现样本特征与目标变量之间的关系。对于分类问题，目标变量称为类别。

训练数据和测试数据：当机器学习算法开始运行时，训练样本集输入，训练完成后输入测试样本集。给算法输入的测试样本集，去掉样本的目标变量，有算法判别每个样本的目标变量。比较测试样本通过算法预测的变量和实际样本类别间的差异，评估算法的精确度。

分类与回归：分类主要的任务为，将实例数据划分到合适的类别中。回归主要用于预测数值型数据，如：通过给定数据点的最有拟合曲线，即数据拟合曲线。分类和回归同属于监督学习，这类学习算法知道要预测什么，即知道目标变量的分类信息。

无监督学习：用来训练的数据没有类别信息，没有目标值。无监督学习中，将数据集合分成由类似的对象组成的多个类的过程称为聚类；将寻找描述数据统计值的过程称为密度估计。无监督学习还可以减少数据特征的维度。

监督学习	无监督学习
k近邻	k均值
朴素贝叶斯分类	最大期望算法
支持向量机
决策树
回归

开发机器学习应用程序步骤：（1）收集数据。（2）准备输入数据。（3）分析输入数据。（4）训练算法。（5）测试算法。（6）使用算法。

K-近邻算法

1.算法概述

简单的说，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。

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。

实用数据范围：数值型和标称型。

工作原理：存在一个训练样本集，样本集中每个样本都有标签，已经事先知道每个样本的所属分类。输入新样本后（无标签），将新样本的每个特征与样本集中样本对应的特征进行比较，提取样本集中特征最相似（最近邻）的前K个分类标签，取出现次数最多的标签，作为新样本所属的分类。

2.k-近邻算法的一般流程

(1)收集数据：使用任意方法收集。

(2)准备数据：用于计算距离，数据格式最好结构化。

(3)分析数据：任意方法。

(4)训练算法：K-近邻不需要训练算法。

(5)测试算法：计算错误率。

(6)使用算法：输入样本数据，运行K-近邻算法判别输入数据所属分类。

3.K-近邻算法代码(Python)

3.1 整体代码

代码+样本集下载

# -*- coding: utf-8 -*-
'''
Input:      inX: vector to compare to existing dataset (1xN)
            dataSet: size m data set of known vectors (NxM)
            labels: data set labels (1xM vector)
            k: number of neighbors to use for comparison (should be an odd number)
            
Output:     the most popular class label
'''
from numpy import *
import operator
from os import listdir

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()     
    classCount={}          
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

def createDataSet():
    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = ['A','A','B','B']
    return group, labels

def file2matrix(filename):
    fr = open(filename)
    numberOfLines = len(fr.readlines())         #get the number of lines in the file
    returnMat = zeros((numberOfLines,3))        #prepare matrix to return
    classLabelVector = []                       #prepare labels return   
    fr = open(filename)
    index = 0
    for line in fr.readlines():
        line = line.strip()
        listFromLine = line.split('\t')
        returnMat[index,:] = listFromLine[0:3]
        classLabelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat,classLabelVector
    
def autoNorm(dataSet):
    minVals = dataSet.min(0)
    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))   #element wise divide
    return normDataSet, ranges, minVals
   
def datingClassTest():
    hoRatio = 0.10      #hold out 10%
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')       #load data setfrom file
    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
    
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')           #load the training set
    m = len(trainingFileList)
    trainingMat = zeros((m,1024))
    for i in range(m):
        fileNameStr = trainingFileList[i]
        fileStr = fileNameStr.split('.')[0]     #take off .txt
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)
    testFileList = listdir('testDigits')        #iterate through the test set
    errorCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]     #take off .txt
        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))

3.2各部分代码分析

(1)创建简单的数据集和标签：

def createDataSet():
    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = ['A','A','B','B']
    return group, labels

(2)k-近邻算法

#输入参数：待分类向量、样本集、标签、k
def classify0(inX, dataSet, labels, k):
    #计算待分类样本与样本集中各个样本距离
    ##样本集中样本个数
    dataSetSize = dataSet.shape[0]
    #待分类向量构成 样本集同形式（方便计算），作差
    diffMat = tile(inX, (dataSetSize,1)) - dataSet
    #两向量间距离（平方和开根号）
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    #距离排序（升序）
    sortedDistIndicies = distances.argsort()
    #字典，用于存储 类别及其出现次数
    classCount={}   
    for i in range(k):
        #前K个类别标签
        voteIlabel = labels[sortedDistIndicies[i]]
        #对应类别标签+1
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        #降序排列，对classCount第二个元素排序
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    #返回排名第一的类别
    return sortedClassCount[0][0]

3.2.1约会网站上使用k-近邻算法

1.收集数据：文本文件。

2.准备数据：解析文本文件。

3.分析数据：二维扩展图。

4.训练算法：无

5.测试算法：使用测试样本进行测试。

6.使用算法：输入一些特征数据，判断对象是否为自己喜好的类型。

(1)从文本中解析数据

def file2matrix(filename):
    fr = open(filename)
    numberOfLines = len(fr.readlines())         #文本数据的行数
    returnMat = zeros((numberOfLines,3))        #行数相同，列数为3的矩阵
    classLabelVector = []                       #类别标签   
    fr = open(filename)                         #打开文本
    index = 0
    for line in fr.readlines():
        line = line.strip()                     #去掉前后空格
        listFromLine = line.split('\t')         #分割一句话为一个个单词
        returnMat[index,:] = listFromLine[0:3]  #填充矩阵
        classLabelVector.append(int(listFromLine[-1]))  #填充类别列表
        index += 1
    return returnMat,classLabelVector

(2)归一化特征值（在处理不同取值范围的特征值时，通常要归一化，以防止某个特征值过大造成距离计算完全取决于该特征值）

公式：newValue=（Value-min）/(max-min)，max和min为特征最大和最小值，该公式将特征值转化到0~1区间。

def autoNorm(dataSet):
    #列最小值
    minVals = dataSet.min(0)
    #列最大值
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals
    #初始化归一化数据
    normDataSet = zeros(shape(dataSet))
    #行数
    m = dataSet.shape[0]
    #value-minValue
    normDataSet = dataSet - tile(minVals, (m,1))
    # (value-minValue)/(maxVal-minVal)
    normDataSet = normDataSet/tile(ranges, (m,1))   #element wise divide
    return normDataSet, ranges, minVals

(3)分类器关于约会网站的测试代码：

def datingClassTest():
    hoRatio = 0.10      #10%的测试样本
    #从文本文件加载 训练集和标签
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt') 
    #归一化
    normMat, ranges, minVals = autoNorm(datingDataMat)
    #行数，也就是训练样本数
    m = normMat.shape[0]
    #测试样本数（前10%的数据作为测试样本）
    numTestVecs = int(m*hoRatio)
    #初始化错误数
    errorCount = 0.0
    for i in range(numTestVecs):
        #k-近邻分类  （归一化测试数据，归一化样本集，标签，k）
        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])
        #如果分类错误，错误数+1
        if (classifierResult != datingLabels[i]): errorCount += 1.0
    #显示错误率
    print "the total error rate is: %f" % (errorCount/float(numTestVecs))

3.2.2 基于K-近邻的手写识别系统

(1):收集数据：文本文件。

(2):准备数据：转换为分类器使用的数据格式。

(3):分析数据。

(4):训练算法：无。

(5):测试算法：使用测试数据，如果算法分类与实际分类不一样，错误数+1。

(6):使用算法：
(1)图像转换为测试向量
每个图像数据已经转换成一个文本文件，每个文本文件为32x32的二进制数据。

def img2vector(filename):
    #1x1024的向量
    returnVect = zeros((1,1024))
    fr = open(filename)
    #每一行
    for i in range(32):
        lineStr = fr.readline()
        #一个一个填充向量
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])
    return returnVect

(2)测试算法：使用k-近邻识别手写数字

def handwritingClassTest():
    hwLabels = []
    #加载样本集
    trainingFileList = listdir('trainingDigits')    
    #样本集中的样本数
    m = len(trainingFileList)
    #Mx1024的矩阵
    trainingMat = zeros((m,1024))
    for i in range(m):
        #文本名：类别_第x个.txt
        fileNameStr = trainingFileList[i]
        #分割 去掉 .txt
        fileStr = fileNameStr.split('.')[0]     #take off .txt
        #分割 去掉 _第x个
        classNumStr = int(fileStr.split('_')[0])
        #加入标签(类别）
        hwLabels.append(classNumStr)
        #训练集转换为向量
        trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)
    #遍历测试数据集
    testFileList = listdir('testDigits')        #iterate through the test set
    #错误数字
    errorCount = 0.0
    #测试数据集 样本数
    mTest = len(testFileList)
    #对每个测试样本
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]     #take off .txt
        classNumStr = int(fileStr.split('_')[0])
        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
        #使用k-近邻分类
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
        print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)
        #如果算法预测类别与样本实际类别不一致
        if (classifierResult != classNumStr): errorCount += 1.0
    print "\nthe total number of errors is: %d" % errorCount
    #输出错误率
    print "\nthe total error rate is: %f" % (errorCount/float(mTest))

这里写图片描述
利用K-近邻算法的手写识别错误率约为1.163%

4.K-近邻算法总结

k-近邻算法是分类数据最简单最有效的算法，它基于实例的学习，使用算法时必须有接近实际数据（能够反映实际数据）的训练样本集。使用K-近邻算法必须保存所有训练数据，如果数据很大，占用空间很大。而且，对一个样本分类，必须计算其与所有训练样本集中的样本的距离，这可能会非常耗时。k-近邻的改进算法为k决策树。

林多

关注

2
点赞
踩
7

收藏

觉得还不错? 一键收藏
打赏
0
评论
K-近邻算法

机器学习基础知识监督学习：监督学习从给定的数据中（已经确定了数据的类别）学习模型，之后利用学习的模型，得到目标变量的结果。简单来说，监督学习用来学习的数据，已经给定了类别（标签）、类别数等。是一种预先知道学习后，可能产生的目标变量的结果的学习方式。（例如，已经知道了，学习后用来对猫狗分类，而不是对其他类别分类）。目标变量的两种类型：标称型和数值型。标称型指：结果在有限目标集中取值，如真与假，｛婴儿、
复制链接

扫一扫