跟着Leo机器学习实战——K-近邻算法

跟着Leo机器学习实战——K-近邻算法

github代码获取

https://github.com/LeoLeos/MachineLearningLeo

概述（核心思想）

选出以待分类的一个样本与他最近的K个已知标签的样本中,这K个样本中的属于相同label的个数最多,则将这个待分类样本分给这一类.

举例

如果K=3，绿色圆点的最近的3个邻居是2个红色小三角形和1个蓝色小正方形，少数从属于多数，基于统计的方法，判定绿色的这个待分类点属于红色的三角形一类。
如果K=5，绿色圆点的最近的5个邻居是2个红色三角形和3个蓝色的正方形，还是少数从属于多数，基于统计的方法，判定绿色的这个待分类点属于蓝色的正方形一类。

优点

精确度高，对异常值不敏感，无数据输入假定

缺点

计算复杂度和空间复杂度高

实战–使用KNN改进约会网站的配对效果

准备数据

    def file2matrix(filename):  
        fr = open(filename)  
        numberOfLines = len(fr.readlines())         #获取文件行数  
      returnMat = zeros((numberOfLines,3))        #构建零矩阵  
      classLabelVector = []                       #构建准备存储label向量  
      fr = open(filename)  
        index = 0  
      #将文件转化为矩阵  
      for line in fr.readlines():  
            #去掉每行首尾空格回车符  
		    line = line.strip()  
            listFromLine = line.split('\t')  
            returnMat[index,:] = listFromLine[0:3]  
      
            classLabelVector.append(int(listFromLine[-1]))  
            index += 1  
      return returnMat,classLabelVector

    datingDataMat,datingLabels=kNN.file2matrix('datingTestSet2.txt')  
    #print(returnMat,classLabelVector)  
    #实例化画图视图  
    fig = plt.figure()  
    #选择子图  
    ax = fig.add_subplot(111)  
    ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels))  
    ax.scatter(datingDataMat[:,0],datingDataMat[:,1],15.0*array(datingLabels),15.0*array(datingLabels))
    #显示画图结果  
    plt.show()

算法核心（分类器）

    def classify0(inX, dataSet, labels, k):  
        dataSetSize = dataSet.shape[0]  
        diffMat = tile(inX, (dataSetSize,1)) - dataSet      #tile产生以inX为元素包，形成(dataSetSize,1)矩阵，返回inX与dataSet各点坐标差值。  
	    sqDiffMat = diffMat**2 #计算点inX与各点欧式距离平方。  
        sqDistances = sqDiffMat.sum(axis=1)     #以行为点，对列求和  
        distances = sqDistances**0.5 #开方  
        sortedDistIndicies = distances.argsort()        #从小到大排序的下标  
        classCount={}
        for i in range(k):  
	        voteIlabel = labels[sortedDistIndicies[i]]      #获取按sortedDistIndicies排序的label  
	        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 #获取与距离最小的前k个分给voteIlabel类有几次  
        sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)     #按分给某一类的次数排序  
        return sortedClassCount[0][0]       #返回分给次数最多的label
        

归一化公式

new = (oldValue-minValue)/(maxValue-minValue)

def autoNorm(dataSet):  
    minVals = dataSet.min(0)  
    maxVals = dataSet.max(0)  
    ranges = maxVals - minVals  
    #产生与输入矩阵一样大小的零矩阵  
	normDataSet = zeros(shape(dataSet))  
    #获取行数  
    m = dataSet.shape[0]  
    #对输入矩阵减去最小值  
    normDataSet = dataSet - tile(minVals, (m,1))  
    #除以maxVals 与 minVals的差值  
    normDataSet = normDataSet/tile(ranges, (m,1))   #element wise divide  
  #返回归一化之后的矩阵，最大值与最小值的差以及最小值
  return normDataSet, ranges, minVals

测试算法

def datingClassTest():  
    #设置测试样本与样本数比例  
    hoRatio = 0.50 #hold out 10%  
 #加载数据  
 	datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')       #load data setfrom file  
 #归一化  
 	normMat, ranges, minVals = autoNorm(datingDataMat)  
    m = normMat.shape[0]  
    #设置k值  
    numTestVecs = int(m*hoRatio)  
    #初始化错误率  
  	errorCount = 0.0  
  for i in range(numTestVecs):  
        #判别normMat[i,:]测试样本的类别  
        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)

预测

def classifyPerson():  
   resultList = ['not at all', 'in small does', 'in large does']  
   percentTats = float(input('percentTage of time spent playing video game?'))  
   ffMiles = float(input('frequent filer miles earned per years?'))  
   iceCream = float(input('liters of ice cream consumed per year?'))  
   datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')  
   normMat,ranges, minVals = autoNorm(datingDataMat)  
   #将三者转化成数组，之前打错成大括号，变成列表，报错！  
   inArr = array([ffMiles, percentTats, iceCream])  
   #调用kNN函数进行预测  
   classifierResult = classify0((inArr - minVals)/ranges,normMat, datingLabels, 3)  
   print('You will probably like this person:',resultList[classifierResult - 1])

手写数字系统识别

流程

准备数据：将图像转换为测试向量

def img2vector(filename):  
    #初始化零向量矩阵  
    returnVect = zeros((1,1024))  
    fr = open(filename)  
    for i in range(32):  
        lineStr = fr.readline()  
        for j in range(32):  
            #按行，列写入像素数值  
 		    returnVect[0,32*i+j] = int(lineStr[j])  
    return returnVect       #返回图片向量

测试算法：使用k-近邻算法识别手写数字

def handwritingClassTest():  
    hwLabels = []         
    trainingFileList = listdir('trainingDigits')           #load the training set加载训练集  
    m = len(trainingFileList)       #训练集样本数  
    trainingMat = zeros((m,1024))       #为美国样本初始化一个零向量，以存储每个样本的向量  
  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加载测试集 
  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)     #将测试集的每个样本逐步向量化  
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)     #为其分类  
        print ("the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr))  
        if (classifierResult != classNumStr): errorCount += 1.0 #计算分错类的个数  
  print ("\nthe total number of errors is: %d" % errorCount)  
  print ("\nthe total error rate is: %f" % (errorCount/float(mTest)))     #错误率

如果您喜欢我的文章，感觉对您有帮助，不如请问喝杯奶茶,我不怕胖的哦嘻嘻嘻，比心！