机器学习实战-KNN

KNN算法很简单，大致的工作原理是：给定训练数据样本和标签，对于某测试的一个样本数据，选择距离其最近的k个训练样本，这k个训练样本中所属类别最多的类即为该测试样本的预测标签。简称kNN。通常k是不大于20的整数，这里的距离一般是欧式距离。

对于上边的问题，①计算测试样本与训练样本的距离，②选择与其最近的k个样本，③排序，选择k个样本所属类别最多作为预测标签

KNN问题的python实现代码

import numpy as np

import operator

import matplotlib.pyplot as plt

def createDataSet():

    group = np.array([[1.0, 0.9], [1.0, 1.0], [0.1, 0.2], [0.0, 0.1]])

    lables=['A','A','B','B']

    return group,lables

def classify1(inX,dataSet,labels,k):

    #距离计算

    dataSetSize =dataSet.shape[0]#得到数组的行数。即知道有几个训练数据

    diffMat=np.tile(inX,(dataSetSize,1))-dataSet #tile:numpy中的函数。tile将原来的一个数组，扩充成了4个一样的数组。diffMat得到了目标与训练数值之间的差值。

    sqDiffMat=diffMat**2 #各个元素分别平方

    sqlDistances=sqDiffMat.sum(axis=1) #对应列相乘，即得到了每一个距离的平方

    distances=sqlDistances**0.5 #开方，得到距离。 #[ 1.3453624   1.41421356  0.2236068   0.1       ]

    sortedDistIndicies=distances.argsort() #升序排列 y=array([])将x中的元素从小到大排列，提取其对应的index(索引)，然后输出到y [3 2 0 1]

    #选择距离最小的k个点

    classCount={}

    for i in range(k):

        voteIlabel=labels[sortedDistIndicies[i]]

        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1 #get()：该方法是访问字典项的方法，即访问下标键为numOflabel的项，如果没有这一项，那么初始值为0。然后把这一项的值加1。#{'B': 2, 'A': 1}

    #排序

    sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True) #operator模块提供的itemgetter函数用于获取对象的哪些维的数据 #[('B', 2), ('A', 1)]

    """

    operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为一些序号（即需要获取的数据在对象中的序号），下面看例子。

    a = [1,2,3]

    >>> b=operator.itemgetter(1)      //定义函数b，获取对象的第1个域的值

    >>> b(a)

    2

    >>> b=operator.itemgetter(1,0)   //定义函数b，获取对象的第1个域和第0个的值

    >>> b(a)

    (2, 1)

    要注意，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。

    """

    return sortedClassCount[0][0]

对于上边方法的测试：

>>> group,lables=createDataSet()

>>> classify1([0,0],group,lables,3)

通过上边的结果得到了结果：B

上边全部过程是使用KNN算法的最基本的也是最核心的部分。

下边用来解决实际问题。

问题描述：

如果想要使用KNN算法，首先需要处理海伦收集到的数据，把收集到的数据转化为分类器可以接受的形式：

def file2matrix(filename):

    fr = open(filename)

    numberOfLines = len(fr.readlines())         #get the number of lines in the file

    returnMat = np.zeros((numberOfLines,3))        #prepare matrix to return

    classLabelVector = []                       #prepare labels return

    fr = open(filename)

    index = 0

    for line in fr.readlines():

        line = line.strip()

        listFromLine = line.split('\t')

        returnMat[index,:] = listFromLine[0:3]

        classLabelVector.append(int(listFromLine[-1]))

        index += 1

    return returnMat,classLabelVector

通过上边的过程已经把数据格式化为KNN分类器需要的形式，但是，自己查看数据，以一行数据为例，数据的内容是：

通过观察，可以得到，不同特征值的数据的数量级是不一样的，如果这个时候直接使用KNN中的计算距离的方法，则容易造成数据倾斜，因此增加了一个归一化的过程，归一化的公式为：

min，max分别是某一个特征的最大数值和最小数值，通过上边的过程，数据被归一化为一个0-1之间的数值，归一化的pyhton实现源码是：

 #[  1.44880000e+04   7.15346900e+00   1.67390400e+00]数据的中有的特别大有的特别小，在之后的计算数据的时候大的数据会影响很大，因此需要归一化

def autoNorm(dataSet):

    minVals = dataSet.min(0)    #min() 方法返回给定参数的最小值，参数可以为序列,即在这个题目中返回每列数据的最小值

    maxVals = dataSet.max(0)

    ranges = maxVals - minVals  #差值

    normDataSet = np.zeros(np.shape(dataSet))

    m = dataSet.shape[0]

    normDataSet = dataSet - np.tile(minVals, (m,1))

    normDataSet = normDataSet/np.tile(ranges, (m,1))   #element wise divide

    return normDataSet, ranges, minVals

至此，数据处理阶段已经全部完成，而接下来的工作就是使用KNN算法进行预测，并估计算法的准确度

def datingClassTest():

    hoRatio = 0.10      #hold out 10%

    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')       #load data setfrom file

    normMat, ranges, minVals = autoNorm(datingDataMat)

    m = normMat.shape[0]#得到数组的行数。即知道有几个训练数据

    numTestVecs = int(m*hoRatio)    #哪些用来当测试集哪些用来当训练集

    errorCount = 0.0

    for i in range(numTestVecs):

        classifierResult = classify1(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)   #第一个参数树测试集，第二个参数是训练集，第三个参数是类标签，第四个参数是k

        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)

在上边的过程中，把数据集分为训练集和测试集，验证测试集中的每一条数据的测试结果和真实结果的差别。并验证测试数据的准确度。

输入某人的信息，预测出对方的喜欢程度

#输入某人的信息，便得出对对方喜欢程度的预测值

def classifyPerson():

    resultList = ['not at all', 'in small doses', 'in large doses']

    percentTats = float(np.raw_input("percentage of time spent playing video games?"))

    ffMiles = float(np.raw_input("frequent flier miles earned per year?"))

    iceCream = float(np.raw_input("liters of ice cream consumed per year?"))

    datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')

    normMat, ranges, minVals = autoNorm(datingDataMat)

    inArr = np.array([ffMiles, percentTats, iceCream])

    classifierResult = classify1((inArr - minVals)/ranges, normMat, datingLabels,3)

    print('You will probably like this person: ', resultList[classifierResult - 1])