KNN

Posted 十二Zh

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了KNN相关的知识,希望对你有一定的参考价值。

学习《机器学习实战》第2章

参考博客:http://blog.csdn.net/c406495762/article/details/75172850#三-k-近邻算法实战之sklearn手写数字识别

 

K近邻法(k-nearest neighbor,K-NN)采用测量不同特征值之间的距离方法进行分类。

工作原理:存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似数据,这就是k-近邻算法中k的出处,通常k是不大于20的证书。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。

K近邻算法:

对未知类别属性的数据集中的每个点依次执行以下操作

(1)计算已知类别数据集中的点与当前点之间的距离;

(2)按照距离递增次序排序;

(3)选取与当前点距离最小的k个点;

(4)确定前k个点所在类别的出现频率;

(5)返回前k个点出现频率最高的类别作为当前点的预测分类。

K-近邻算法的python实现:

 1 """
 2 函数说明:kNN算法,分类器
 3 Parameters:
 4     inX - 用于分类的数据(测试集)
 5     dataSet - 用于训练的数据(训练集)
 6     labes - 分类标签
 7     k - kNN算法参数,选择距离最小的k个点
 8 Returns:
 9     sortedClassCount[0][0] - 分类结果
10 """
11 def classify0(inX, dataSet, labels, k):
12     #如dataSet为n*m的矩阵,.shape[0]返回n,.shape[1]返回m,.shape返回n,m
13     dataSetSize = dataSet.shape[0] #返回训练集的行数
14     #tile是numpy中的函数,功能是重复:tile(inx,(n,m))按行重复n遍,按列重复m遍。
15     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet  #执行待分类数据与训练数组相减操作,(xi-xj),(yi-yj)
16     #二维特征相减后平方
17     sqDiffMat = diffMat**2
18     #sum()所有元素相加,sum(0)列相加,sum(1)行相加
19     sqDistances = sqDiffMat.sum(axis=1)  #(axis=1)是行相加,(axis=0)是列相加
20     #开方,计算出距离,距离是欧氏距离
21     distances = sqDistances**0.5
22     #argsort()是numpy中的函数
23     sortedDistIndices = distances.argsort()  #返回distances中元素从小到大排序后的索引值
24     #定一个记录类别次数的字典
25     classCount = {}
26     for i in range(k):
27         #取出前k个元素的类别
28         voteIlabel = labels[sortedDistIndices[i]]
29         #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值,该处设置默认值为0。
30         #计算类别次数
31         classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
32     #字典的items方法返回可遍历的元组数组
33     #key=operator.itemgetter(1)根据字典的值进行排序
34     #key=operator.itemgetter(0)根据字典的键进行排序
35     #reverse降序排序字典,设置为True是降序,False为升序
36     sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
37     #返回次数最多的类别,即所要分类的类别
38     return sortedClassCount[0][0]

按照书上,定义训练集为(1.0, 1.1) (1.0, 1.0) (0.0, 0.0) (0.0, 0.1)

1 def creatDataset():
2     group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
3     lables = [\'A\',\'A\',\'B\',\'B\']
4     return group,lables

用knn对一个未知点进行分类的完整python实现

from numpy import *
from matplotlib import *
import operator
import numpy as np
import matplotlib.pyplot as plt """ 实现:有类A和类B的点,对一个未知点进行分类 """ def creatDataset(): group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) lables = [\'A\',\'A\',\'B\',\'B\'] return group,lables """ 函数说明:kNN算法,分类器 Parameters: inX - 用于分类的数据(测试集) dataSet - 用于训练的数据(训练集) labes - 分类标签 k - kNN算法参数,选择距离最小的k个点 Returns: sortedClassCount[0][0] - 分类结果 """ def classify0(inX, dataSet, labels, k): #如dataSet为n*m的矩阵,.shape[0]返回n,.shape[1]返回m,.shape返回n,m dataSetSize = dataSet.shape[0] #返回训练集的行数 #tile是numpy中的函数,功能是重复:tile(inx,(n,m))按行重复n遍,按列重复m遍。 diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet #执行待分类数据与训练数组相减操作,(xi-xj),(yi-yj) #二维特征相减后平方 sqDiffMat = diffMat**2 #sum()所有元素相加,sum(0)列相加,sum(1)行相加 sqDistances = sqDiffMat.sum(axis=1) #(axis=1)是行相加,(axis=0)是列相加 #开方,计算出距离 distances = sqDistances**0.5 #argsort()是numpy中的函数 sortedDistIndices = distances.argsort() #返回distances中元素从小到大排序后的索引值 #定一个记录类别次数的字典 classCount = {} for i in range(k): #取出前k个元素的类别 voteIlabel = labels[sortedDistIndices[i]] #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值,该处设置默认值为0。 #计算类别次数 classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 #字典的items方法返回可遍历的元组数组 #key=operator.itemgetter(1)根据字典的值进行排序 #key=operator.itemgetter(0)根据字典的键进行排序 #reverse降序排序字典,设置为True是降序,False为升序 sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True) #返回次数最多的类别,即所要分类的类别 return sortedClassCount[0][0] group,lables=creatDataset() #画出点的分布 plt.plot(group[:,0],group[:,1],\'ro\',label="point") plt.ylim(-0.2,1.2) plt.xlim(-0.2,1.2) plt.show() #测试[0,0]所属类别 print(classify0([0,0],group,lables,3))

分类结果为:B

 

示例:使用k-近邻算法改进约会网站的配对效果

海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选,但她并不是喜欢每一个人。经过一番总结,她发现自己交往过的人可以进行如下分类:

  • 不喜欢的人
  • 魅力一般的人
  • 极具魅力的人

    海伦收集约会数据已经有了一段时间,她把这些数据存放在文本文件datingTestSet.txt中,每个样本数据占据一行,总共有1000行。

海伦收集的样本数据主要包含以下3种特征:

  • 每年获得的飞行常客里程数
  • 玩视频游戏所消耗时间百分比
  • 每周消费的冰淇淋公升数

第一步:准备数据-从文本文件中解析数据

python代码:

 

 1 # -*- coding: UTF-8 -*-
 2 import numpy as np
 3 """
 4 函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
 5 
 6 Parameters:
 7     filename - 文件名
 8 Returns:
 9     returnMat - 特征矩阵
10     classLabelVector - 分类Label向量
11 """
12 def file2matrix(filename):
13     fr = open(filename)  #打开文件
14     #读取文件所有内容 
15     arrayOLines = fr.readlines()  #readlines()是读取整个文件,将文件内容分析成一个行的列表,该列表可由for..in处理
16     numberOfLines = len(arrayOLines)  #得到文件行数
17     returnMat = np.zeros((numberOfLines,3)) #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
18     classLabelVector = []  #返回的分类标签向量
19     index = 0  #行的索引值
20     for line in arrayOLines:
21         #s.strip(rm),当rm空时,默认删除空白符(包括\'\\n\',\'\\r\',\'\\t\',\' \')
22         line = line.strip() #strip()用于移除字符串头尾指定的字符(默认为空格)
23         listFromLine = line.split(\'\\t\') #split()通过指定分隔符对字符串切片,返回分割后的字符串列表(list)
24         returnMat[index,:] = listFromLine[0:3] #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
25         #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
26         if listFromLine[-1] == \'didntLike\':
27             classLabelVector.append(1)
28         elif listFromLine[-1] == \'smallDoses\':
29             classLabelVector.append(2)
30         elif listFromLine[-1] == \'largeDoses\':
31             classLabelVector.append(3)
32         index += 1
33     return returnMat, classLabelVector
34 
35 """
36 函数说明:main函数
37 
38 """
39 if __name__ == \'__main__\':
40     filename = "datingTestSet.txt"  #打开的文件名
41     datingDataMat, datingLabels = file2matrix(filename)
42     print(datingDataMat)
43     print(datingLabels)

 执行结果(部分截图)为:

 顺利导入了数据,并对数据进行解析,格式化为分类器需要的数据格式。接着我们需要了解数据的真正含义。可以通过友好、直观的图形化的方式观察数据。

第二步:分析数据-使用Matplotlib创建散点图

 

# -*- coding: UTF-8 -*-

from matplotlib.font_manager import FontProperties #matplotlib默认不支持中文,python调用系统自带字体
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import numpy as np

"""
函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力

Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""
def file2matrix(filename):
    #打开文件
    fr = open(filename)
    #读取文件所有内容
    arrayOLines = fr.readlines()
    #得到文件行数
    numberOfLines = len(arrayOLines)
    #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
    returnMat = np.zeros((numberOfLines,3))
    #返回的分类标签向量
    classLabelVector = []
    #行的索引值
    index = 0
    for line in arrayOLines:
        #s.strip(rm),当rm空时,默认删除空白符(包括\'\\n\',\'\\r\',\'\\t\',\' \')
        line = line.strip()
        #使用s.split(str="",num=string,cout(str))将字符串根据\'\\t\'分隔符进行切片。
        listFromLine = line.split(\'\\t\')
        #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
        returnMat[index,:] = listFromLine[0:3]
        #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
        if listFromLine[-1] == \'didntLike\':
            classLabelVector.append(1)
        elif listFromLine[-1] == \'smallDoses\':
            classLabelVector.append(2)
        elif listFromLine[-1] == \'largeDoses\':
            classLabelVector.append(3)
        index += 1
    return returnMat, classLabelVector

"""
函数说明:可视化数据

Parameters:
    datingDataMat - 特征矩阵
    datingLabels - 分类Label
"""
def showdatas(datingDataMat, datingLabels):
# 设置汉字格式,python调用系统自带字体,路径是:"C:\\Windows\\Fonts"(如果系统不在C盘,请切换盘符),使用
# 字体类型是"simsun.ttc"是中文简体
    font = FontProperties(fname=r"c:\\windows\\fonts\\simsun.ttc", size=14)
    #将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
    #当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
    fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))

    numberOfLabels = len(datingLabels)
    LabelsColors = []
    for i in datingLabels:
        if i == 1:
            LabelsColors.append(\'black\')
        if i == 2:
            LabelsColors.append(\'orange\')
        if i == 3:
            LabelsColors.append(\'red\')
    #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs0_title_text = axs[0][0].set_title(u\'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比\',FontProperties=font)
    axs0_xlabel_text = axs[0][0].set_xlabel(u\'每年获得的飞行常客里程数\',FontProperties=font)
    axs0_ylabel_text = axs[0][0].set_ylabel(u\'玩视频游戏所消耗时间占\',FontProperties=font)
    plt.setp(axs0_title_text, size=9, weight=\'bold\', color=\'red\') 
    plt.setp(axs0_xlabel_text, size=7, weight=\'bold\', color=\'black\') 
    plt.setp(axs0_ylabel_text, size=7, weight=\'bold\', color=\'black\')

    #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs1_title_text = axs[0][1].set_title(u\'每年获得的飞行常客里程数与每周消费的冰激淋公升数\',FontProperties=font)
    axs1_xlabel_text = axs[0][1].set_xlabel(u\'每年获得的飞行常客里程数\',FontProperties=font)
    axs1_ylabel_text = axs[0][1].set_ylabel(u\'每周消费的冰激淋公升数\',FontProperties=font)
    plt.setp(axs1_title_text, size=9, weight=\'bold\', color=\'red\') 
    plt.setp(axs1_xlabel_text, size=7, weight=\'bold\', color=\'black\') 
    plt.setp(axs1_ylabel_text, size=7, weight=\'bold\', color=\'black\')

    #画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs2_title_text = axs[1][0].set_title(u\'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数\',FontProperties=font)
    axs2_xlabel_text = axs[1][0].set_xlabel(u\'玩视频游戏所消耗时间占比\',FontProperties=font)
    axs2_ylabel_text = axs[1][0].set_ylabel(u\'每周消费的冰激淋公升数\',FontProperties=font)
    plt.setp(axs2_title_text, size=9, weight=\'bold\', color=\'red\') 
    plt.setp(axs2_xlabel_text, size=7, weight=\'bold\', color=\'black\') 
    plt.setp(axs2_ylabel_text, size=7, weight=\'bold\', color=\'black\')
    #设置图例
    didntLike = mlines.Line2D([], [], color=\'black\', marker=\'.\',
                      markersize=6, label=\'didntLike\')
    smallDoses = mlines.Line2D([], [], color=\'orange\', marker=\'.\',
                      markersize=6, label=\'smallDoses\')
    largeDoses = mlines.Line2D([], [], color=\'red\', marker=\'.\',
                      markersize=6, label=\'largeDoses\')
    #添加图例
    axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
    axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
    axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
    #显示图片
    plt.show()

"""
函数说明:main函数
"""
if __name__ == \'__main__\':
    #打开的文件名
    filename = "datingTestSet.txt"
    #打开并处理数据
    datingDataMat, datingLabels = file2matrix(filename)
    showdatas(datingDataMat, datingLabels)

第三步:准备数据-归一化数值

样本玩游戏所耗时间百分比每年获得的飞行常用里程数每周消费的冰淇淋公升数样本分类
1 0.8 400 0.5 1
2 12 134000 0.9 3
3 0 20000 1.1 2
4 67 32000 0.1 2

若计算样本3和4的距离,用

但是第二个参数对结果的影响太大,不合适。

因此,在处理不同取值范围的特征值时,通常采用的方法是将数值归一化,如将取值范围处理到0到1或者-1到1之间。下面公式可转化为0到1区间的值:

newValue = (oldValue - min) / (max - min)

其中,min和max分别是数据集中的最小特征值和最大特征值。

 1 """
 2 函数说明:对数据进行归一化
 3 
 4 Parameters:
 5     dataSet - 特征矩阵
 6 Returns:
 7     normDataSet - 归一化后的特征矩阵
 8     ranges - 数据范围
 9     minVals - 数据最小值
10 
11 """
12 def autoNorm(dataSet):
13     #获得数据的最小值
14     minVals = dataSet.min(0)
15     maxVals = dataSet.max(0)
16     #最大值和最小值的范围
17     ranges = maxVals - minVals
18     #shape(dataSet)返回dataSet的矩阵行列数
19     normDataSet = np.zeros(np.shape(dataSet))
20     #返回dataSet的行数
21     m = dataSet.shape[0]
22     #原始值减去最小值
23     normDataSet = dataSet - np.tile(minVals, (m, 1))
24     #除以最大和最小值的差,得到归一化数据
25     normDataSet = normDataSet / np.tile(ranges, (m, 1))
26     #返回归一化数据结果,数据范围,最小值
27     return normDataSet, ranges, minVals

 

测试算法:作为完整程序验证分类器

机器学习算法一个很重要的工作就是评估算法的正确率,通常我们只提供已有数据的90%作为训练样本来训练分类器,而使用其余的10%数据去测试分类器,检测分类器的正确率。对于分类器来说,错误率就是分类器给出错误结果的次数除以测试数据的总数。

"""
函数说明:分类器测试函数

Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值

"""
def datingClassTest():
    #打开的文件名
    filename = "datingTestSet.txt"
    #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
    datingDataMat, datingLabels = file2matrix(filename)
    #取所有数据的百分之十
    hoRatio = 0.10
    #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
    normMat, ranges, minVals = autoNorm(datingDataMat)
    #获得normMat的行数
    m = normMat.shape[0]
    #百分之十的测试数据的个数
    numTestVecs = int(m * hoRatio)
    #分类错误计数
    errorCount = 0.0

    for i in range(numTestVecs):
        #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
        classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],
            datingLabels[numTestVecs:m], 4)
        print("分类结果:%d\\t真实类别:%d" % (classifierResult, datingLabels[i]))
        if classifierResult != datingLabels[i]:
            errorCount += 1.0
    print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))

"""

 

使用算法:构建完整可用算法

 1 """
 2 函数说明:通过输入一个人的三维特征,进行分类输出
 3 
 4 """
 5 def classifyPerson():
 6     #输出结果
 7     resultList = [\'讨厌\',\'有些喜欢\',\'非常喜欢\']
 8     #三维特征用户输入
 9     precentTats = float(input("玩视频游戏所耗时间百分比:"))
10     ffMiles = float(input("每年获得的飞行常客里程数:"))
11     iceCream = float(input("每周消费的冰激淋公升数:"))
12     #打开的文件名
13     filename = "datingTestSet.txt"
14     #打开并处理数据
15     datingDataMat, datingLabels = file2matrix(filename)
16     #训练集归一化
17     normMat, ranges, minVals = autoNorm(datingDataMat)
18     #生成NumPy数组,测试集
19     inArr = np.array([precentTats, ffMiles, iceCream])
20     #测试集归一化
21     norminArr = (inArr - minVals) / ranges
22     #返回分类结果
23     classifierResult = classify0(norminArr, normMat, datingLabels, 3)
24     #打印结果
25     print("你可能%s这个人" % (resultList[classifierResult-1]))

完整实现:

  1 # -*- coding: UTF-8 -*-
  2 
  3 import numpy as np
  4 import operator
  5 
  6 """
  7 函数说明:kNN算法,分类器
  8 
  9 Parameters:
 10     inX - 用于分类的数据(测试集)
 11     dataSet - 用于训练的数据(训练集)
 12     labes - 分类标签
 13     k - kNN算法参数,选择距离最小的k个点
 14 Returns:
 15     sortedClassCount[0][0] - 分类结果
 16 
 17 """
 18 def classify0(inX, dataSet, labels, k):
 19     #numpy函数shape[0]返回dataSet的行数
 20     dataSetSize = dataSet.shape[0]
 21     #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
 22     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
 23     #二维特征相减后平方
 24     sqDiffMat = diffMat**2
 25     #sum()所有元素相加,sum(0)列相加,sum(1)行相加
 26     sqDistances = sqDiffMat.sum(axis=1)
 27     #开方,计算出距离
 28     distances = sqDistances**0.5
 29     #返回distances中元素从小到大排序后的索引值
 30     sortedDistIndices = distances.argsort()
 31     #定一个记录类别次数的字典
 32     classCount = {}
 33     for i in range(k):
 34         #取出前k个元素的类别
 35         voteIlabel = labels[sortedDistIndices[i]]
 36         #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
 37         #计算类别次数以上是关于KNN的主要内容,如果未能解决你的问题,请参考以下文章

knn的python代码

(理论和代码相结合)KNN(最近邻)算法⭐

Python机器学习(十六)KNN原理与代码实现

如何将此 KNN 代码应用于我的数据集?

KNN算法的代码实现

KNN算法的实现