1概要
K-最近傍アルゴリズムは、異なる分類の特性値との間の距離を測定する方法を使用します。
2つの長所と短所
利点:高い精度、データの入力がないと仮定すると、外れ値の影響を受けません
デメリット:計算の複雑さ、空間的な複雑さが高い、モデルに保存することはできません
該当するデータ範囲:数値と名目タイプ
3データ準備
3.1データの準備
ベクターは、テストされます。私たちは、データを予測したいです
ターゲットベクトルが含まれていない特性データセットのトレーニングデータセット
(ベクター標的可変組成物)からなるベクトルラベル
kは、我々は20以下、一般的に、同様の数の前に探しているものです
3.2データ削減
前回の記事では、式を次のように簡単正規化を提供し、正規化について話しました:
new_value=(old_value-min)/(max-min)
old_value:原来的值
min:在数据集中该特征最小的值
max:在数据集中该特征最大的值
那我们看看如何用代码进行实现这个归一化吧。
import numpy
class Normalization(object):
def auto_norm(self, matrix):
"""
数据清洗,归一化
new_value=(old_value-min)/(max-min)
:param matrix: 矩阵
:return: 归一化的矩阵,范围数据,最小值
"""
# 0表示从列中选值
# 每列的最小值组成一个向量
min_value = matrix.min(0)
# 每列的最大值组成一个向量
max_value = matrix.max(0)
# 每列的范围值
ranges = max_value - min_value
m = matrix.shape[0]
norm_matrix = numpy.zeros(numpy.shape(matrix))
# 分子
norm_matrix = matrix - numpy.tile(min_value, (m, 1))
# 不是矩阵除法,矩阵除法是linalg.solve(matA,matB)
norm_matrix = norm_matrix / numpy.tile(ranges, (m, 1))
return norm_matrix, ranges, min_value
原則4
4.1アルゴリズム
上記で調製したデータは、前記
新たなデータを入力し、新しいデータをマトリクスとしてトレーニングデータセットにコピーされ、訓練データベクトルの各セットは、ユークリッド距離を算出する
算出されたユークリッド距離データ(昇順にソートされますヨーロッパの数値)、より類似小さい距離は、からなるインデックス付き位置のアレイ取得
キーとして、最初のk個のデータ・タグ(目的変数)を採取最初のk個のインデックス位置のを、次いで、カウント値が蓄積され
、その後このカウントマップは、ソートのための値降順にソートし
、最初のランクの最後のデータを取得したデータをと最も類似した
4.2ユークリッド距離
次の式は、私たちがここに単に変数の下を意味している、非常に簡単です。
例えば、我々は、次に、データ特性のセットが5である持っている
場合のように、デジタルポーリングまでの時間であり、N 5、1,2,3,4,5 Iの順である:私は
nは、最大数である5
Σ:記号の意味は、私は〜nは式に、iの各値に対して式を計算後の合計値の合計です
XI:私たちは、x2は第二の特徴を表して、私は1,2,3,4,5、それぞれ、それが第一の特徴のX1を表します知っています、...
YI:共感とXI
5コード
import operator
from numpy import *
class kNN(object):
def createDataSet(self):
"""
创建测试数据集
:return:矩阵,标签
"""
group = numpy.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
labels = ['A', 'A', 'B', 'B']
return group, labels
def classify0(self, inX, dataSet, labels, k):
"""
k-近邻,欧式距离计算两个向量的距离
:param inX: 输入向量
:param dataSet: 训练样本集
:param labels: 标签向量
:param k: 最近邻居的数目
:return: 最近的结果
"""
# 计算欧式距离
# 获得行数
dataSetSize = dataSet.shape[0]
# 将向量inx纵向复制变成矩阵跟dataSet的数量一样,再减去数据集
diffMat = tile(inX, (dataSetSize, 1)) - dataSet
# 矩阵平方
sqDiffMat = diffMat ** 2
# 矩阵每行求和
sqDIstances = sqDiffMat.sum(axis=1)
# 数组每个值开方
distances = sqDIstances ** 0.5
# 数组值从小到大的索引号
sortedDistIndicies = distances.argsort()
# 选最距离最小的k个距离
classCount = {}
for i in range(k):
# 通过索引值获取标签
voteIlabel = labels[sortedDistIndicies[i]]
# 累加次数
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
# 根据次数从大到小排序
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
if __name__ == '__main__':
kNN = kNN()
group, labesl = kNN.createDataSet()
result = kNN.classify0([0, 0], group, labesl, 3)
print(result)
上記のコードの結果は、あなたがそれを読んでください、B!シンプルなコードです。
6戦闘
上記の簡単な計算の後、だけでなく、私たちの本当のプロジェクトに。以下は、単純な小さなプロジェクトに手書き文字認識システム、権利を計算します!
6.1データの準備
まず、我々のデータは、私のgithubのを介してダウンロードすることができます!I・ポイント・数字は、我々がする必要がディレクトリデータに保存されています!
6.2製造アルゴリズム
まず、我々はプログラムを書き、?それを通過する手順どのような
データを表示し、データがどのような外観に似ていますか?データが離散することを特徴とする方法
データ行列の複数に書き込み機能の変換アルゴリズム、単一のベクターにデータ、
入力テストベクトル、テストアルゴリズムモデルの精度!
import numpy
import operator
from numpy import *
class kNN(object):
def img2vector(self, filename):
"""
图片txt转向量
:param filename: 文件名
:return: 向量
"""
# 创建一个1024维度的向量
return_vec = numpy.zeros((1, 1024))
# 将数据导入到向量
with open(filename) as fr:
for i in range(32):
line = fr.readline()
# 导入一行数据(32个数字)
for j in range(32):
# 每个数字依次导入
return_vec[0, i * 32 + j] = int(line[j])
return return_vec
def classify0(self, inX, dataSet, labels, k):
"""
k-近邻,欧式距离计算两个向量的距离
:param inX: 输入向量
:param dataSet: 训练样本集
:param labels: 标签向量
:param k: 最近邻居的数目
:return: 最近的结果
"""
# 计算欧式距离
# 获得行数
dataSetSize = dataSet.shape[0]
# 将向量inx纵向复制变成矩阵跟dataSet的数量一样,再减去数据集
diffMat = tile(inX, (dataSetSize, 1)) - dataSet
# 矩阵平方
sqDiffMat = diffMat ** 2
# 矩阵每行求和
sqDIstances = sqDiffMat.sum(axis=1)
# 数组每个值开方
distances = sqDIstances ** 0.5
# 数组值从小到大的索引号
sortedDistIndicies = distances.argsort()
# 选最距离最小的k个距离
classCount = {}
for i in range(k):
# 通过索引值获取标签
voteIlabel = labels[sortedDistIndicies[i]]
# 累加次数
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
# 根据次数从大到小排序
sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
return sortedClassCount[0][0]
def handle_write_class_test(self, train_data_dirname, test_data_dirname):
# 加载训练集
labels = []
train_file_list = os.listdir(train_data_dirname)
train_data_count = len(train_file_list)
matrix = numpy.zeros((train_data_count, 1024))
for i in range(train_data_count):
file_name_ext = train_file_list[i]
file_name = file_name_ext.split(".")[0]
file_num = int(file_name.split("_")[0])
labels.append(file_num)
matrix[i, :] = self.img2vector("%s/%s" % (train_data_dirname, file_name_ext))
# 加载测试集
test_file_list = os.listdir(test_data_dirname)
err_count = 0.0
test_data_count = len(test_file_list)
for i in range(test_data_count):
file_name_ext = test_file_list[i]
file_name = file_name_ext.split(".")[0]
file_num = int(file_name.split("_")[0])
test_vec = self.img2vector("%s/%s" % (test_data_dirname, file_name_ext))
# 测试
result = self.classify0(test_vec, matrix, labels, 3)
bool_result = result == file_num
if not bool_result:
err_count = err_count + 1.0
print("result:%s, real:%d, bool:%s" % (result, file_num, bool_result))
print("error count:%f" % (err_count / float(test_data_count)))
if __name__ == '__main__':
train_dir = "../data/digits/trainingDigits"
test_dir = "../data/digits/testDigits"
kNN = kNN_2_3_2()
kNN.handle_write_class_test(train_dir, test_dir)
最後に、我々は次のような結果を得るため、エラー率が1.2%にほぼ等しい、結果は良いでした!
result:0, real:0, bool:True
result:0, real:0, bool:True
result:4, real:4, bool:True
result:9, real:9, bool:True
result:7, real:7, bool:True
result:7, real:7, bool:True
result:1, real:1, bool:True
result:5, real:5, bool:True
result:4, real:4, bool:True
result:3, real:3, bool:True
result:3, real:3, bool:True
error count:0.011628