参考博客:超详细的机器学习python入门knn干货 (po主Jack-Cui
参考书籍:《机器学习实战》——第二章
目录
一 k近邻简介(KNN)
1 算法介绍
knn是supervised leraning里classification(分类)方法中的一种,全称k-nearest neighbor。顾名思义,其核心是利用距离进行分类。
原理:已知训练集(X,Y),X为特征,Y为类别,想要知道未知的A是属于哪一类,计算A与训练集每个training example的距离,选取最近的k个距离(k一般《20 )的训练集点类别,统计出这k个点的类别中最多的类作为A的类。
2 knn分类步骤
- 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个点所出现频率最高的类别作为当前点的预测分类。
3 python代码
3.1 knn核心代码解析
大部分直接引用po主Jack-Cui,并作扩充
代码分四块
1 求距 d : tile()
2 按距离排列: argsort(),sorted()
3 计数前k个点的类别
4 取最多的类别 即计数字典的[0][0]
** 幂(运算符)
numpy.tile(数组,行列扩充倍数) //ex. tile([0,0],(2,3)) = ([0,0,0,0,0,0,],[0,0,0,0,0,0]) 行扩充2倍 列3倍
array.argsort() 对array进行从小到大排列并返回排列顺序的下标 //ex. array([-1,2,3,5,1,0,-9]).argsort() = array([6, 0, 5, 4, 1, 2, 3])
sorted(iterable, cmp=None, key=None, reverse=False) 对list、dict排序 返回排序副本
operator.itemgetter函数获取的不是值,而是定义了一个函数,通过该函数作用到对象上才能获取值。参数为序号,表示取得对象第几个域的值。
# -*- coding: UTF-8 -*-
import numpy as np
import operator
"""
函数说明:kNN算法,分类器
Parameters:
inX - 用于分类的数据(测试集)
dataSet - 用于训练的数据(训练集)
labes - 分类标签
k - kNN算法参数,选择距离最小的k个点
Returns:
sortedClassCount[0][0] - 分类结果
Modify:
2017-07-13
"""
def classify0(inX, dataSet, labels, k):
#==========================求距离==========================#
#numpy函数shape[0]返回dataSet的行数
dataSetSize = dataSet.shape[0]
#在列向量方向上重复inX共1次(横向)即不扩充,行向量方向上重复inX共dataSetSize次(纵向)
#inx是单个需要预测的点,扩充到dataSetSize个点,即与每个训练集点计算距离
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
#二维特征相减后平方
sqDiffMat = diffMat**2
#sum()所有元素相加,sum(0)列相加,sum(1)行相加
sqDistances = sqDiffMat.sum(axis=1)
#开方,计算出距离
distances = sqDistances**0.5
#========================================================#
#返回distances中元素从小到大排序后的索引值
sortedDistIndices = distances.argsort()
#定一个记录类别次数的字典
classCount = {}
#=================距离第i近的点的类别计数加1==================#
for i in range(k):
#取出前k个元素的类别
voteIlabel = labels[sortedDistIndices[i]]
#dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
#计算类别次数
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#========================================================#
#python3中用items()替换python2中的iteritems()
#key=operator.itemgetter(1)根据字典的值进行排序
#key=operator.itemgetter(0)根据字典的键进行排序
#reverse降序排序字典
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
#返回次数最多的类别,即所要分类的类别
return sortedClassCount[0][0]
3.2电影分类小demo完整代码
假设知道4部电影的打斗镜头和亲吻镜头以及类别,来计算未知电影的类别
打斗镜头 | 亲吻镜头 | 类别 | |
---|---|---|---|
电影1 | 1 | 101 | 爱情片 |
电影2 | 5 | 89 | 爱情片 |
电影3 | 108 | 5 | 动作片 |
电影4 | 115 | 8 | 动作片 |
#!/usr/bin/env python
#_*_coding:utf-8_*_
import numpy as np
import operator
def createData():
group = np.array([[1,101],[5,89],[108,5],[115,8]])
labels = ['爱情片','爱情片','动作片','动作片']
return group,labels
def classify0(inX,dataSet,labels,k):
'''计算距离'''
diff = np.tile(inX,(dataSet.shape[0],1)) - dataSet
diff_2 = diff**2
distance = diff_2.sum(axis=1)**0.5
print(distance)
'''距离排序下标'''
sortIndex = distance.argsort()
print(sortIndex)
classsify = {}
'''类别计数并排序'''
for i in range(k):
class_k = labels[sortIndex[i]]
classsify[class_k] = classsify.get(class_k,0) + 1
sortdata = sorted(classsify.items(),key=operator.itemgetter(1),reverse=True)
'''返回最多类别'''
return sortdata[0][0]
if __name__ == "__main__":
group,labels = createData()
print(group)
testData = [33,77]
result = classify0(testData,group,labels,2)
print(result)