练习：手工实现一个简单的水果识别器

* 题目描述：创建一个水果识别器，根据水果的属性，判断该水果的种类。 

* 题目要求: 

* 模仿课堂的讲解内容，根据“近朱者赤”的原则，手工实现一个简单的分类器 

* 选取1/5的数据作为测试集 

* 数据文件： 

* 数据源下载地址：https://video.mugglecode.com/fruit_data.csv 

* fruit_data.csv，包含了59个水果的的数据样本。 

* 共5列数据 

* fruit_name：水果类别 

* mass: 水果质量 

* width: 水果的宽度 

* height: 水果的高度 

* color_score: 水果的颜色数值，范围0-1。 

* 0.85 - 1.00：红色 

* 0.75 - 0.85: 橙色 

* 0.65 - 0.75: 黄色 

* 0.45 - 0.65: 绿色 

* 如图所示:https://video.mugglecode.com/color_score.jpg

# 数据源下载地址：https://video.mugglecode.com/fruit_data.csv

查看提示

• * 问题拆解提示：
• 1. 如何分割数据集，用于训练和验证模型？
• 2. 如何计算样本的距离？
• 3. 如何找到最近的样本？
• 4. 如何验证模型？
• * 问题解决提示：
• 1. 利用scikit-learn模块中的train_test_split()(http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html)方法进行数据集的划分，其中
• * test_size','：用于指定测试集的大小，这里test_size=1/5；
• * random_state：用于指定随机状态，通常设定一个固定的数字用于重复实验，这里random_state=20；
• 2. 利用SciPy模块中的欧式距离euclidean()(https://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.spatial.distance.euclidean.html)计算空间中两个点的距离，及样本间的距离；
• 3. 利用NumPy模块中的argmin()(https://docs.scipy.org/doc/numpy/reference/generated/numpy.argmin.html)找到距离值最小的样本，即最近的样本
• 4. 使用“准确率”进行模型的验证，即识别对的样本数目除以总的测试样本数目。

查看答案

# -*- coding: utf-8 -*-

import pandas as pd

from sklearn.model_selection import train_test_split

from scipy.spatial.distance import euclidean

import numpy as np

# 使用的特征列

FEAT_COLS = ['mass', 'width', 'height', 'color_score']

def get_prediction(test_sample_feat, train_data):

    """

        在训练集中找出和test_sample_feat最近的训练样本，并以训练样本的标签作为预测值

        参数：

            -test_sample_feat: 测试样本的特征

            -train_data:  训练集

        返回：

            -pred_label:  预测结果

    """

    dis_list = []

    for idx, row in train_data.iterrows():

        # 训练样本特征

        train_sample_feat = row[FEAT_COLS].values

        # 2. 样本间距离计算

        dis = euclidean(train_sample_feat, test_sample_feat)

        dis_list.append(dis)

    # 3. 找到最近的样本

    pos = np.argmin(dis_list)

    pred_label = train_data.iloc[pos]['fruit_name']

    return pred_label

def main():

    """

        主函数

    """

    # 读取数据文件

    fruit_data = pd.read_csv('./fruit_data.csv')

    # 1. 分割数据集

    train_data, test_data = train_test_split(fruit_data, test_size=1/5, random_state=20)

    # 预测准确的个数

    acc_count = 0

    # 对测试集中每个样本做预测

    for idx, row in test_data.iterrows():

        # 测试样本特征

        test_sample_feat = row[FEAT_COLS].values

        # 在训练集中找出和该样本最近的训练样本，并以训练样本的标签作为预测值

        pred_label = get_prediction(test_sample_feat, train_data)

        # 真实标签

        true_label = row['fruit_name']

        print('样本{}的真实标签：{}，预测标签：{}'.format(idx, true_label, pred_label))

        if pred_label == true_label:

            acc_count += 1

    # 4. 使用准确率验证模型

    accuracy = acc_count / test_data.shape[0]

    print('预测准确率为：{:.2f}%'.format(accuracy * 100))

if __name__ == '__main__':

    main()