利用K近邻算法对生物物种进行分类

本文链接： https://blog.csdn.net/gulie8/article/details/101539211

－－－K近邻分类
模型介绍：K近邻模型本身非常直观并且容易理解。假设我们有一些携带分类标记的训练
样本，分布于特征空间中；蓝色、绿色的样本点各自代表其类别。对于一个待分类的红色
测试样本点，未知其类别，按照成语“近朱者赤，近墨者黑”的说法，我们需要寻找与这
个待分类的样本在特征空间中距离最近的K个已标记样本作为参考，来帮助我们做出分类决
策。这便是K近邻算法的通俗解释。如，如果我们根据最近的K＝3个带有标记的训练样本做
分类决策，那么待测试的样本应该属于绿色类别，因为在3个最近邻的已标记样本中，绿色
类别样本的比例最高；如果我们扩大搜索范围，设定K＝7，那么分类器则倾向待测样本属于
蓝色。因此我们也可以发现，随着K的不同，我们会获得不同效果的分类器。

#－－－读取iris数据集

#从sklearn.datasets导入iris数据加载器

from sklearn.datasets import load_iris


#使用加载器读取数据并且存入变量
iris=load_iris()


#查验数据规模
iris.data.shape

Out[36]: (150, 4)

#查看数据说明
print(iris.DESCR)

print(iris.DESCR)
.. _iris_dataset:





Iris plants dataset
--------------------

**Data Set Characteristics:**

    :Number of Instances: 150 (50 in each of three classes)
    :Number of Attributes: 4 numeric, predictive attributes and the class
    :Attribute Information:
        - sepal length in cm
        - sepal width in cm
        - petal length in cm
        - petal width in cm
        - class:
                - Iris-Setosa
                - Iris-Versicolour
                - Iris-Virginica
                
    :Summary Statistics:

    ============== ==== ==== ======= ===== ====================
                    Min  Max   Mean    SD   Class Correlation
    ============== ==== ==== ======= ===== ====================
    sepal length:   4.3  7.9   5.84   0.83    0.7826
    sepal width:    2.0  4.4   3.05   0.43   -0.4194
    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)
    petal width:    0.1  2.5   1.20   0.76    0.9565  (high!)
    ============== ==== ==== ======= ===== ====================

    :Missing Attribute Values: None
    :Class Distribution: 33.3% for each of 3 classes.
    :Creator: R.A. Fisher
    :Donor: Michael Marshall (MARSHALL%[email protected])
    :Date: July, 1988

The famous Iris database, first used by Sir R.A. Fisher. The dataset is taken
from Fisher's paper. Note that it's the same as in R, but not as in the UCI
Machine Learning Repository, which has two wrong data points.

This is perhaps the best known database to be found in the
pattern recognition literature.  Fisher's paper is a classic in the field and
is referenced frequently to this day.  (See Duda & Hart, for example.)  The
data set contains 3 classes of 50 instances each, where each class refers to a
type of iris plant.  One class is linearly separable from the other 2; the
latter are NOT linearly separable from each other.

.. topic:: References

   - Fisher, R.A. "The use of multiple measurements in taxonomic problems"
     Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to
     Mathematical Statistics" (John Wiley, NY, 1950).
   - Duda, R.O., & Hart, P.E. (1973) Pattern Classification and Scene Analysis.
     (Q327.D83) John Wiley & Sons.  ISBN 0-471-22361-1.  See page 218.
   - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System
     Structure and Classification Rule for Recognition in Partially Exposed
     Environments".  IEEE Transactions on Pattern Analysis and Machine
     Intelligence, Vol. PAMI-2, No. 1, 67-71.
   - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule".  IEEE Transactions
     on Information Theory, May 1972, 431-433.
   - See also: 1988 MLC Proceedings, 54-64.  Cheeseman et al"s AUTOCLASS II
     conceptual clustering system finds 3 classes in the data.
   - Many, many more ...

通过上述代码对数据的查验以及数据本身的描述，我们了解到iris数据集共有150朵
鸢尾数据样本，并且均匀分布在3个不同亚种；每个数据样本被4个不同的花瓣、花萼
的形状特征所描述。由于没有指定的测试集，因此按照惯例，我们需要对数据进行随
机分割，25%的样本用于测试，其余75%的样本用于模型的训练。
这里我们需要额外强调的是，如果读者朋友自行编写数据分割的程序，请务必要保证
随机采样。尽管许多数据集中样本的排列顺序相对随机，但是也有例外。本例iris数
据集便是按照类别依次排列。如果只是采样前25%的数据用于测试，那么所有的测试样
本都属于一个类别，同时训练样本也是不均衡的，这样得到的结果存在偏置，并且可信
度非常低。Scikit-learn所提供的数据分割模块，默认了随机采样的功能，因此大家不必担心。

#－－对iris数据集进行分割
#从sklearn.model_selection里选择导入train_test_split用于数据分割
from sklearn.model_selection import train_test_split

#从使用train_test_split,利用随机种子random_state采样25%的数据作为测试集
x_train,x_test,y_train,y_test=train_test_split(iris.data,iris.target,test_size=0.25,random_state=33)


#－－使用k近邻分类器对鸢尾花数据进行类别预测
#从sklearn.preprocessing里选择导入数据标准化模块
from sklearn.preprocessing import StandardScaler

#从sklearn.neighbors里选择导入KNeighborsClassifier,即k近邻分类器
from sklearn.neighbors import KNeighborsClassifier

#对训练和测试的特征数据进行标准化
ss=StandardScaler()
x_train=ss.fit_transform(x_train)
x_test=ss.transform(x_test)

#使用k近邻分类器对测试数据进行类别预测，预测结果储存在变量y_predict中
knc=KNeighborsClassifier()
knc.fit(x_train,y_train)
y_predict=knc.predict(x_test)


#－－使用准确性、召回率、精确率和F1指标，对K近邻分类模型在经典鸢尾花品种预测任务上进行性能评估
#使用模型自带的评估函数进行准确性测评
print('The accuracy of K-Nearest Neighbor Classifier is',knc.score(x_test,y_test))

out:
The accuracy of K-Nearest Neighbor Classifier is 0.8947368421052632


#依然使用sklearn.metrics里面的classification_report模块对预测结果做更加详细的分析
from sklearn.metrics import classification_report
print(classification_report(y_test,y_predict,target_names=iris.target_names))


              precision    recall  f1-score   support

      setosa       1.00      1.00      1.00         8
  versicolor       0.73      1.00      0.85        11
   virginica       1.00      0.79      0.88        19

    accuracy                           0.89        38
   macro avg       0.91      0.93      0.91        38
weighted avg       0.92      0.89      0.90        38

代码的输出说明，K近邻分类器对38条鸢尾花测试样本分类的准确性约为89.474%，平
均精确率、召回率以及F1指标分别为0.92，0.89和
0.90。

特点分析：K近邻（分类）是非常直观的机器学习模型，因此深受广大初学者的喜爱。
许多教科学常常以此模型为例抛砖引玉，便足以看出其不仅特别，而且尚有瑕疵之处。
细心的读者会发现，K近邻算法与其他模型最大的不同在于：该模型没有参数训练过程。
也就是说，我们并没有通过任何学习算法分析训练数据，而只是根据测试样本在训练数
据的分布直接做出分类决策。因此，K近邻属于无参数模型中非常简单的一种。然而，正
是这样的决策算法，导致了其非常高的计算复杂度和内存消耗。因为该模型每处理一个测
试样本，都需要对所有预先加载在内存的训练样本进行遍历、逐一计算相似度、排序并且
选取K个最近邻训练样本的标记，进而做出分类决策。这是平方级别的算法复杂度，一旦数
据规模稍大，使用者便需要权衡更多计算时间的代价。

利用K近邻算法对生物物种进行分类

猜你喜欢