基于K-Nearest Neighbors[K-NN]算法的鸢尾花分类问题解决方案(For Python)

Posted 2021-01-05 千千寰宇

　　看了原理，总觉得需要用具体问题实现一下机器学习算法的模型，才算学习深刻。而写此博文的目的是，网上关于K-NN解决此问题的博文很多，但大都是调用Python高级库实现，尤其不利于初级学习者本人对模型的理解和工程实践能力的提升，也不利于Python初学者实现该模型。

　　本博文的特点：

　　　　一 全面性地总结K-NN模型的特征、用途

　　　　二  基于Python的内置模块，不调用任何第三方库实现

　　博文主要分为四部分：

　　　　基本模型（便于理清概念、回顾模型）

　　　　对待解决问题的重述

　　　　模型（算法）和评价（一来，以便了解模型特点，为以后举一反三地应用作铺垫；二来，有利于以后快速复习）、

　　　　编程实现（Code）。

　　特别声明：

　　　　1.劳动成果开源，未经同意博主（千千寰宇：http://cnblogs.com/johnnyzen），不得以任何形式转载、复制。

　　　　2.如有纰漏或者其他看法，欢迎共同探讨~

零 基本模型

　　（本部分内容，均来源于引用[1]，其原理讲解十分通俗易懂）

　　①K-近邻算法，即K-Nearest Neighbor algorithm，简称K-NN算法。单从名字来猜想，可以简单粗暴的认为是：K个最近的邻居，当K=1时，算法便成了最近邻算法，即寻找最近的那个邻居。

　　②所谓K-NN算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。

　　③实例

　　　　猜猜看：有一个未知形状（绿色圆点），如何判断其是什么形状?

　　　　问题：给这个绿色的圆分类？

　　　　对噪声数据过于敏感。为了解决这个问题，我们可以把位置样本周边的多个最近样本计算在内，扩大参与决策的样本量，以避免个别数据直接决定决策结果。

　　　　有两类不同的样本数据，分别用蓝色的小正方形和红色的小三角形表示，而图正中间的那个绿色的圆所标示的数据则是待分类的数据。

　　　　如果K=3，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，判定绿色的这个待分类点属于蓝色的正方形一类。

一 问题

　　题目：ML之k-NN：k-NN实现对150朵共三种花的实例的萼片长度、宽，花瓣长、宽数据统计，根据一朵新花的四个特征来预测其种类
　　数据源：https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data
　　数据源说明：https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.names

二 解决过程及模型评价

　　一 审题/准备数据集

　　　　1.1 明确问题基本模型，及涉及要素（特征值、有无标记、可考虑的基本算法模型）：K-NN、分类、监督学习、有标记、鸢尾花分类

　　　　1.2 准备数据集及其处理方法

　　　　　　数据源：https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data

　　　　　　数据源说明：https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.names

　　二 分析并设计解决思路(算法步骤)

　　　　2.0 零 样本及样本空间、测试空间的程序表示

　　　　　　　　设计样本的class类：Iris（鸢尾花类）：

　　　　　　　　　　便于将样本空间以数组化表示 + 便于后期训练对各样本的取值、标记、比对等操作

　　　　2.1 一 读取数据集，装载样本集

　　　　　　　　提取文件数据至计算机进程（程序）中，并恰当地表示样本、样本集、测试集

　　　　　　文件I/O操作：

　　　　　　　　open(filepath+filename,mode)、

　　　　　　　　file.readline()、

　　　　　　　　file.readlines()、

　　　　　　　　file.next()、

　　　　　　字符串处理：

　　　　　　　　str.split()：切割

　　　　　　　　float(str)、int(str)：数值转换

　　　　　　注意：对数据集文件中无关数据的处理（跳行、文件转进制、跳列等过滤）

　　　　2.2 二 训练测试样本

　　　　　　算法描述：[以鸢尾花分类为例]

　　　　　　　　遍历测试样本

　　　　　　　　　　计算测试样本与已标记的样本的欧式距离

　　　　　　　　对各欧式距离升序排序

　　　　　　　　选择前K项的已样本作为一子集( 即 选择最近的K项邻居作为参照标准)

　　　　　　　　　　遍历统计，已标记子集的花朵种类何种花朵数目种类最多

　　　　　　　　设置当前测试样本的预测花朵种类为该种

　　　　　　　　结束。

　　　　　　注释：花的种类分别为：Iris-setosa、Iris-versicolor、Iris-virginica；共计3种。

　　　　2.3 三 计算预测准确率

　　　　　　rate = Count(测试验证集中，已标记值 == 预测值 的样本) / 测试验证集总数

　　　　2.4 四 模型检验（未做）

　　三 编程实现

　　　　（见第三部分示范代码）

　　四 总结模型[K-NN]

　　　　针对本问题

　　　　　　0 样本数据集的样本顺序排列，选拔初始的参照样本空间时，需要先将数据集乱序排序，再做选拔；否则，分类准确率往往趋于0

　　　　　　　　原因：对未纳入训练样本对应种类的待测样本，几乎无真实参照集合，所以将导致预测结果差得离谱(准确率趋于0)。

　　　　涉及因素

　　　　　　0 特征向量Features

　　　　　　　　影响算法的处理效率：特征向量数越多，计算量越大，处理时间越长。

　　　　　　　　影响算法的结果正确性：K值越多，可参照指标越多，结果越趋于正确。

　　　　　　1 K：K个最近邻居元素的控制

　　　　　　　　控制待预测样本的参照边界

　　　　　　　　影响算法的结果正确性：

　　　　　　　　K=1时，选拔最近的元素的标记值作为预测值

　　　　　　2 Weight权值：对参照邻居的选拔标准

　　　　　　　　标准：欧式距离、切比雪夫距离、马氏距离（这个,目前不清楚）、最近者赋予更大权值（增加其重要性）

　　　　　　　　控制参照样本对待测样本的重要性

　　　　　　　　有利于选拔最贴近真实预测结果、最符合的样本

　　　　　　3 已预测并标记的样本是否加入参照样本集，影响后续待测样本预测？

　　　　　　4 样本数量与种类

　　　　　　　　标准：种类全面、数量按比例丰富；在上前提下，样本越多越好

　　　　　　　　　　否则，尤其是种类覆盖不全面时，可能严重影响对偏未标记种类的样本预测效果

　　　　　　　　样本种类↑，数量↑，预测准确率↑，预测处理效率↓

　　　　总结性评价

　　　　　　1 监督学习、分类问题

　　　　　　2 基于实例数据的非参数学习算法

　　　　　　　　Input：已标记数据集中的K个最近的训练样本组成

　　　　　　　　Output：判别待测样本之类型

　　　　　　3 可用于非线性分类

　　　　　　4 样本种类↑，数量↑，特征向量↑：预测准确率↑，预测处理效率↓

　　　　　　5 性能与完美的准确性不能绝对两全

　　　　　　　　总体处理的复杂度：O(n)

　　　　　　6 对异常值不敏感

　　　　　　7 总体来说，准确度高，无人为因素。

　　　　　　8 K值大小对结果的准确性要视具体情况而定，人为调参优化

　　　　　　9 样本数量与种类：

　　　　　　　　标准：种类全面、数量按比例丰富；在上前提下，样本越多越好

　　　　　　　　否则，尤其是种类覆盖不全面时，可能严重影响对偏未标记种类的样本预测效果

　　　　　　10   已预测的样本是否加入参照样本空间，将影响后续待测样本对预测结果起多大作用是一个可考虑的问题

　　　　　　11 其他：

　　　　　　　　需要提前知道样本空间之所有种类

　　　　　　　　预测样本时，计算量大，[不利于实时预测]，偏胖服务器模式

　　　　　　12 模型常见实践：

　　　　　　　　手写数字识别系统

　　　　　　　　鸢尾花分类

　　　　　　　　爱情片与动作片分类

　　　　　　　　约会网站匹配

　　　　　　　　对新贷款用户的还款情况预测

　　　　　　　　========================

　　　　　　　　文本分类

三 编程实现(For Python)

　　工程文件分为三部分:

　　　　__init__.py【main()启动函数、核心算法】

　　　　Iris.py【设计数据结构（类）、模块(职责分离)】

　　　　file_handle.py【数据提取、文件处理】

 

　　　　由于前面第二部分已经详细叙述，且代码中注释已经十分详细，便不在对代码进行解释，阅读注释便容易懂。

　　　　__init__.py

import random;
import math;
import Iris; # 自定义
import file_handle; # 自定义

#if __name__ == \'__main__\': #__name__ == \'__main__\'是Python的main函数入口
def main(print_test=False,print_samples=False):
    follows = []; # 样本集空间（前sampleAmount项）+测试集空间（后 sampleAll-sampleAmount项）
    data = "";    # 样本数据（前sampleAmount项）+测试集空间（后 sampleAll-sampleAmount项）
    sampleAll = 150;
    sampleAmount = 100; # 标记样本集数目（剩余的便作为测试集）
    k = 5;
    test_print = print_test; 
    
    ########## 一 读取数据集，装载样本集
    ##### 1.1 加载数据集数据
    data = file_handle.read("./dataset/data.txt",1,\'r\');#1:忽略第一行
    # print(data);
    list = data.split(\'\\n\');
    i = 0;
    for line in list: # 如：line = "5.1,3.5,1.4,0.2,Iris-setosa"
        item = line.split(\',\');# 如：item = [5.1,3.5,1.4,0.2,Iris-setosa]
        label_species = item.pop();#移除最后一项：标记种类
        #print("[test] item:", item,"\\tlabel_species:", label_species); # test
        follows.append(Iris.Iris(item,label_species));
        #print("[ ",i," ] ",follows[i].toString());
        i += 1;
        pass;
    random.shuffle(follows); # 【千万注意！！！】由于原数据集是有序的，如果不做乱序处理，预测结果会及其不理想（准确率，趋近于0），当然，这也是这一模型的缺陷之一
    ##### 1.2 选择前100项 作为已标记样本集
    #i = 0;
    #for i in range(sampleAmount):
    #    follows[i].setPredictSpecies(follows[i].label_species);
    #    pass;
    
    ########## 二 训练测试样本
    ##### 2.1 对101 - 150 项的测试集进行训练/预测
    ## 算法描述：
    ##     遍历测试样本
    ##        计算测试样本与已标记的样本的欧式距离
    ##     对各欧式距离升序排序
    ##     选择前K项的已样本作为一子集( 即 选择最近的K项邻居作为参照标准)
    ##        遍历统计，已标记子集的花朵种类何种花朵数目种类最多
    ##        设置当前测试样本的预测花朵种类为该种
    ##     结束。  
    ## 注释：花的种类分别为：Iris-setosa、Iris-versicolor、Iris-virginica；共计3种。
    offset = 0; # 测试空间偏移量：目的是为了将通过偏移量，增大原已标记样本空间的样本数量 即 使已预测的测试样本加入参照样本空间。
    for x in range(sampleAmount,sampleAll):# x：测试样本下标
        weights = [];# 对各欧式距离(权值)的升序排序列表
        for y in range(0,sampleAmount+offset):
            result = (math.sqrt( + \\
                               math.pow(follows[y].features[0] - follows[x].features[0],2) + \\
                               math.pow(follows[y].features[1] - follows[x].features[1],2) + \\
                               math.pow(follows[y].features[2] - follows[x].features[2],2) + \\
                               math.pow(follows[y].features[3] - follows[x].features[3],2)), y);# 存储x，方便排序后定位花朵
            #print("[test] weights[x]:", result);
            weights.append(result);
            pass;
        weights.sort(key = lambda item:item[0]); # 以各元组内第一首项[欧氏距离]为键，默认升序排序
        if test_print:
            for m in range(len(weights)): # 输出预测权重
                print("[test] weights[",m,"]:",weights[m],"\\tweights[",m,"][1] > ",weights[m][1],":",follows[weights[m][1]].toString());
        kinds_count = {"Iris-setosa":0,"Iris-versicolor":0,"Iris-virginica":0}; # 对已标记样本空间中各种花的数目统计作初始化
        for z in range(0,k): # 选择前K项的已样本作为一子集( 即 选择最近的K项邻居作为参照标准)
            if test_print:         
                print("[test] 排名前",z+1,"项 follows[",z,"]:",follows[weights[z][1]].toString());
            label_species = follows[weights[z][1]].label_species;
            if(label_species == \'Iris-setosa\'):
                kinds_count["Iris-setosa"] += 1;
            elif label_species == \'Iris-versicolor\':
                kinds_count["Iris-versicolor"] += 1;
            elif label_species == \'Iris-virginica\':
                kinds_count[\'Iris-virginica\'] += 1;
            else:
                print("[ERROR:Unknown Species] follows[",weight[z][1],"]:",follows[weight[z][1]]);
            pass;
        result =  max(kinds_count.items(), key = lambda item:item[1]); # 取统计花类数字典中最大值对应的序列
        follows[x].predict_species = result[0]; # 标记预测种类
        if test_print:
            print("[test] 预测结果",result, " [follows[",x,"].predict_species]:", follows[x].predict_species); # test
        offset += 1;
        #for test in range(len(weights)): # 测试-输出距离权值结果
        #    print("[",test,"] weights:",weights[test][0],"\\t",follows[weights[test][1]].toString());
        #    pass;
        pass;
        
    ########## 三 计算预测准确率
    rate = 0.0;
    i = 0;
    for i in range(sampleAmount,len(follows)):
        if(follows[i].label_species == follows[i].predict_species):
            rate += 1;
        else:
            print("[预测错误样本] follow[",i,"]:",follows[i].toString());
        pass;
    pass;
    rate = rate / (sampleAll - sampleAmount);
    print("预测准确率：",rate);
     
    if print_samples:
        for i in range(0,len(follows)):
            print(follows[i].toString());
            pass;
    pass;

main(False,True);

　　　　Iris.py

\'Iris module [class] \'

__author__ = \'Johnny Zen\'

class Iris:
    """
    Iris花(类)
    
    [Demo]
    iris = Iris([5.1,3.5,1.4,0.2],"Iris-setosa");
    print(iris.toString());
    iris.setPredictSpecies(\'Iris-setosa\');
    print(iris.toString());
    print(iris.label_species);
    =======================
    [features][5.1, 3.5, 1.4, 0.2]    [label-species]Iris-setosa    [predict-species]None
    [features][5.1, 3.5, 1.4, 0.2]    [label-species]Iris-setosa    [predict-species]Iris-setosa
    Iris-setosa
    """
    features = [];
    label_species = None; # 标记种类
    predict_species = None; # 预测种类
    def __init__(self,features,label_species=None):
        if type(features).__name__ == \'list\':
            self.features = features;
        else:
            self.features = list(features); # 此list方法对list对象执行将产生错误
            pass;
        for x in range(len(self.features)): # 列表内元素字符串转实数
            self.features[x] = float(self.features[x]);
        self.label_species = label_species;
        pass;
    def setPredictSpecies(self,predict_species=None):#设置预测种类
        self.predict_species = predict_species;
        pass;
    def toString(self):#与一般函数定义不同，类方法必须包含参数 self[第一个参数]
        return "[features]" + str(self.features) + "\\t[label]" + str(self.label_species + "\\t[predict]" + str(self.predict_species));
        pass;
    pass;

　　　　file_handle.py

"file_handle module [function]:read(filepath,ignore=0,mode=\'r\')"

def read(filepath,ignore=0,mode=\'r\'):
    try:
        file = open(filepath,mode);
        ## file_content = file.read();
        file_content = \'\';
        i = 0;
        for i in range(0,ignore):
            file.readline();
            ##print(i);
            ##print(file.readline()); 
        for line in file.readlines():
            file_content += line;
    finally:
        if file:
            file.close();
        #print(file_content);
        return file_content;
    pass;

四 参考文献

　　[1] K-NN和K-Means算法