第1章:略过
第2章:kNN
kNN(k-NearestNeighbor)属于监督学习,是分类数据最简单有效的算法,需要实际数据来训练样本数据,为基于实例的学习。如果训练数据集很大,那么计算会很耗时。通过改变k的值,修改训练样本,改变样本的数目,会对错误率产生影响。
主要思想:根据欧式距离计算分析最近距离的K个点的类型
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。
环境:Python 3.6.2, Jupyter Notebook
P1: 输入一个data,计算与已有的数据的距离,推算出最大可能分类
以下代码代表的公式是a(x11,x12,…,x1n)与b(x21,x22,…,x2n)两点之间的欧氏距离
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 classify0(inX, dataSet, labels, k): # input array, dataSet, labels, k
dataSetSize = dataSet.shape[0] # data's size
diffMat = tile(inX, (dataSetSize, 1)) - dataSet # 0,0 - x,y 点差异
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1) # 按行求和 如果axis=0就是按列
distances = sqDistances**0.5
sortedDistIndicies = distances.argsort() # 根据差异大小排序
classCount = {}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
print(classCount) # {'B': 2, 'A': 1} 最近邻k个item的类别和数量
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
print(sortedClassCount[0][0])
return sortedClassCount[0][0]
np.tile(array, (row, col))代表把array重复row行,col列。也可以np.tile(array, num)把array横向扩展num次。
np.tile([1, 2, 3],(4,1))
array([[1, 2, 3],
[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])
np.sum(axis=1)代表按行计算,axis=0按列。
>>> np.sum([[1, 2], [3, 4]], axis=0)
array([4, 6])
>>> np.sum([[1, 2], [3, 4]], axis=1)
array([3, 7])
dict.get(voteIlable, 0) + 1代表按照某个key去查dict,如果不存在就初始化为0,然后+1。
sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)代表按照key从小到大排序,这里的itemgetter(1)表示按照第2个元素排序,比如0就是按照第一个元素。
P2: 约会对象数据测试
data:以空格分隔。前3列为特征(每年飞行里程,视频游戏时间百分比,每周消费冰淇淋公升数),最后1列是分类。
40920 8.326976 0.953952 3
14488 7.153469 1.673904 2
26052 1.441871 0.805124 1
75136 13.147394 0.428964 1
38344 1.669788 0.134296 1
def file2matrix(filename):
fr = open(filename)
arrayOfLines = fr.readlines()
numberOfLines = len(arrayOfLines) #行数
returnMat = zeros((numberOfLines, 3)) #二维数组 3列
classLabelVector = []
index = 0
for line in arrayOfLines:
line = line.strip() # 去除首尾空格
listFromLine = line.split('\t') # 按照空格tab分割
returnMat[index, :] = listFromLine[0:3] # 截取前3列的特征按行存起来
classLabelVector.append(int(listFromLine[-1])) # -1表示最后一列元素
index += 1
return returnMat, classLabelVector # 特征存到matrix,分类存到vector
重新载入python文件:reload
py2:reload(module)
py3:
way 1:
from imp
imp.reload(module)
way 2:
from imp import reload
reload(module)
在python里面执行:
import matplotlib
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111) #表示分成1行1列放在第1块,如果(342)表示3行4列第2块
ax.scatter(datingDataMat[:,1], datingDataMat[:,2]) #x取值第2列,y取值第3列
plt.show()
ax.scatter()根据官网Axes.
scatter
(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)
x,y:长度相等
s,c:长度必须和x,y相等。s默认20,c默认b蓝色。
把label数组放到size:
ax.scatter(datingDataMat[:,1], datingDataMat[:,2], datingLabels)
再把label数组放到color:
ax.scatter(datingDataMat[:,1], datingDataMat[:,2], datingLabels, datingLabels)
因为size因为label都是1,2,3区别不大,看不出差别,使用乘法加大,此时就能看出大小区别了。需要把原来vector转为array否则无法使用乘法。(TODO: 愚蠢的我还没有查清楚vector不能用乘法这个point)
ax.scatter(datingDataMat[:,1], datingDataMat[:,2], 15*array(datingLabels), datingLabels)
补充网上查到的vector,matrix和array知识:(TODO: 关于这个乘除法运算幂运算什么的还没查清楚…)
补充设置图例legend的两种方式:
fig, ax = plt.subplots(111)
ax.plot(np.random.randn(1000).cumsum(), label='l01')
# 刻度
#plt.xlim([0,500])
ax.set_xlim([0, 800])
# 显示的刻度
#plt.xticks([0,500])
ax.set_xticks(range(0,500,100))
# 刻度标签
ax.set_yticklabels(['One', 'Two', 'Three'])
# 坐标轴标签
#plt.xlabel('Number')
#plt.ylabel('Type')
ax.set_xlabel('Number')
ax.set_ylabel('Type')
# 标题
#plt.title('Title')
ax.set_title('Title')
数值差异太大不好对比的时候,采用归一化,全部都放到0-1的范围内。
def autoNorm(dataSet):
minVals = dataSet.min(0) # 每列最小值
maxVals = dataSet.max(0) # 每列最大值
ranges = maxVals - minVals
normDataSet = zeros(shape(dataSet))
m = dataSet.shape[0]
# 归一化:减去最小值除以范围
normDataSet = dataSet - tile(minVals, (m,1))
normDataSet = normDataSet/tile(ranges, (m,1))
return normDataSet, ranges, minVals
测试之前的分类算法:
def datingClassTest():
hoRatio = 0.10
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
m = normMat.shape[0]
sampleCount = int(m*hoRatio)
errorCount = 0
for i in range(sampleCount):
classifierResult = classify0(normMat[i,:], normMat[sampleCount:m,:], datingLabels[sampleCount:m],3) # ratio=0.1,也就是样本10%和剩余90%计算,得出类别
#print ("the classifier came back with: %d, the real answer is: %d" % (classifierResult, datingLabels[i]))
if (classifierResult != datingLabels[i]):
errorCount += 1
print("error: %d, sample count: %d, error rate: %.2f" % (errorCount, sampleCount, (errorCount/float(sampleCount)))) # 错误在样本中的比例
得出结果是:error: 5, sample count: 100, error rate: 0.05
上面是根据现有data,下面是根据输入新data去估计。
def classifyPerson():
resultList = ['not at all', 'small doses', 'large doses']
videoGames = float(input("video games: "))
ffMiles = float(input("miles: "))
iceCream = float(input("ice cream: "))
datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
normMat, ranges, minVals = autoNorm(datingDataMat)
inArr = array([ffMiles, videoGames, iceCream]) #输入数据转成array
classifierResult = classify0((inArr - minVals)/ranges, normMat, datingLabels, 3)
print("Rate: ", resultList[classifierResult - 1])
P3:读取32*32的图片转换成1*1024的数组,推算出最大可能数字
def img2vector(filename):
returnVect = zeros((1, 1024))
fr = open(filename)
for i in range(32): #分成32行
lineStr = fr.readline()
for j in range(32): #每行32个digit
returnVect[0, 32*i+j] = int(lineStr[j]) #把每个digit放到vector
return returnVect
关于读取每一行转数组,网上看到另一个方法,但是并不是同一件事的感觉…。不过有时间还是可以研究一下。
至于reshape里面1,-1表示按照1, originalCol来转换,而如果是-1,1就是按照originalRow,1来转换。比如-1,2是转成2列,2,-1是转成2行。
https://blog.csdn.net/ni_guang2010/article/details/53069579
最后测试:
def handwritingClassTest():
hwLabels = [] # 数字label集
# 训练集:转换数据并存成训练集matrix
trainingFileList = listdir('trainingDigits')
m = len(trainingFileList)
trainingMat = zeros((m, 1024)) # m个文件的特征集
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0]) # 真实数字
hwLabels.append(classNumStr)
trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr) # 设想每个文件有1024个特征 加入到特征集matrix里
# 测试集:根据上面的训练集matrix估算近邻
testFileList = listdir('testDigits')
errorCount = 0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0]) # 真实数字
vectorUnderTest = img2vector('testDigits/%s' % fileNameStr) # 读取每个文件的1024特征
classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
if (classifierResult != classNumStr):
errorCount += 1
print("error: %d, test count: %d, error rate: %.4f" % (errorCount, mTest, (errorCount/float(mTest)))) # 错误在样本中的比例
得出结果是:error: 10, test count: 946, error rate: 0.0106
缺点:数据量大的时候,每个测试都要与所有数据集对比,执行次数多,耗时占空间。