第二章k-近邻算法
PS：个人笔记 根据《机器学习实战》这本书，Jack-Cui的博客，以及深度眸的视频进行学习
k-近邻算法的一般流程
①收集数据：可以使用爬虫进行数据的收集，也可以使用第三方提供的免费或收费的数据。一般来讲，数据放在txt文本文件中，按照一定的格式进行存储，便于解析及处理。
②准备数据：使用Python解析、预处理数据。
③分析数据：可以使用很多方法对数据进行分析，例如使用Matplotlib将数据可视化。
④测试算法：计算错误率。
⑤使用算法：错误率在可接受范围内，就可以运行k-近邻算法进行分类。
1.收集数据
⭐⭐⭐UCI机器学习资料库，非常重要的一个资料库
2 准备数据：数据解析
在将上述特征数据输入到分类器前，必须将待处理的数据的格式改变为分类器可以接收的格式。
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): # 函数作用就是打开并解析文件，对数据进行分类fr = open(filename) # 打开文件，文件名filenamearrayOLines = fr.readlines() # 读取文件所有内容,一行一行的读取numberOfLines = len(arrayOLines) # 得到文件行数；这里用的文本是1000行returnMat = np.zeros((numberOfLines, 3)) # 返回的NumPy矩阵,解析完成的数据:(1000,3)的0矩阵classLabelVector = [] # 返回的分类标签向量，里面应该是0，1，2；后面进行处理index = 0 # 行的索引值for line in arrayOLines:line = line.strip() # s.strip()，删除空白符(包括'\n','\r','\t',' ')listFromLine = line.split('\t') # 使用s.split()将字符串根据'\t'分隔符进行切片。returnMat[index, :] = listFromLine[0:3] # [0:3]=[0,1,2]将数据前三列提取出来,存放到returnMat的NumPy矩阵[0,:]中,也就是特征矩阵if listFromLine[-1] == 'didntLike': # listFromLine一共是4列，最后一列是类别列classLabelVector.append(1)elif listFromLine[-1] == 'smallDoses':classLabelVector.append(2)elif listFromLine[-1] == 'largeDoses':classLabelVector.append(3)index += 1 # 就是一行一行的填入特征值，returnMat[index,:]是特征矩阵return returnMat, classLabelVector""" Parameters: 无 Returns: 无 Modify: -03-24 """if __name__ == '__main__': # main函数filename = "datingTestSet.txt" # 打开的文件名，放在一个文件夹下，就不用考虑路径了datingDataMat, datingLabels = file2matrix(filename) # 打开并处理数据，用到上面写的数据处理函数print(datingDataMat) # 返回特征矩阵和分类向量print(datingLabels)
3 分析数据：数据可视化
编写名为showdatas的函数，用来将数据可视化from matplotlib.font_manager import FontProperties#matplotlib中的一个字体管理器——matplotlib.Font_manager，FontProperties(fname)可以指定一个字体文件作为图表使用的字体import matplotlib.pyplot as plt#pyplot模块提供了一套和MATLAB类似的绘图APIimport numpy as npimport matplotlib.lines as mlinesdef file2matrix(filename):fr = open(filename)arrayOLines = fr.readlines()numberOfLines = len(arrayOLines)returnMat = np.zeros((numberOfLines,3))classLabelVector = []index = 0for line in arrayOLines:line = line.strip()listFromLine = line.split('\t')returnMat[index,:] = listFromLine[0:3]if listFromLine[-1] == 'didntLike':classLabelVector.append(1)elif listFromLine[-1] == 'smallDoses':classLabelVector.append(2)elif listFromLine[-1] == 'largeDoses':classLabelVector.append(3)index += 1return returnMat, classLabelVector"""Parameters:datingDataMat - 特征矩阵datingLabels - 分类LabelReturns:无"""def showdatas(datingDataMat, datingLabels): #函数是数据可视化font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)#设置汉字格式fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))#subplots()函数的作用将fig画布分隔,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numberOfLabels = len(datingLabels) #数据类别的个数 也就是1000个LabelsColors = []#对类别分配颜色for i in datingLabels:if i == 1:LabelsColors.append('black')#1——黑色，2——橘色，3——红色if i == 2:LabelsColors.append('orange')if i == 3:LabelsColors.append('red')axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)#scatter()是散点图,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0.5axs0_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)#set_title()是设置标题,x轴label,y轴labelaxs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)#set_xlabel()设置X的标签axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占',FontProperties=font)#set_ylabel()设置y的标签plt.setp(axs0_title_text, size=9, weight='bold', color='red') #setp()该命令可以对一个列表或者单个对象进行设置，并且提供了matlab式的使用方法plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)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')axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5) 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')didntLike = mlines.Line2D([], [], color='black', marker='.',markersize=6, label='didntLike') #设置图例，使用Line2D实例的set方法smallDoses = mlines.Line2D([], [], color='orange', marker='.',markersize=6, label='smallDoses')largeDoses = mlines.Line2D([], [], color='red', marker='.',markersize=6, label='largeDoses')axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses]) #legend()添加图例axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])plt.show() #show()函数显示图片"""Parameters:无Returns:无"""if __name__ == '__main__': filename = "datingTestSet.txt"datingDataMat, datingLabels = file2matrix(filename)showdatas(datingDataMat, datingLabels)#可视化函数
可视化简单结论：通过数据可以很直观的发现数据的规律，比如以玩游戏所消耗时间占比与每年获得的飞行常客里程数，只考虑这二维的特征信息，给我的感觉就是海伦喜欢有生活质量的男人。
4 准备数据：数据归一化
在处理不同取值范围的特征值时，我们通常采用的方法是将数值归一化。
公式：newValue = (oldValue - min) / (max - min)
import numpy as npdef file2matrix(filename):fr = open(filename)arrayOLines = fr.readlines()numberOfLines = len(arrayOLines)returnMat = np.zeros((numberOfLines,3))classLabelVector = []index = 0for line in arrayOLines:line = line.strip()listFromLine = line.split('\t')returnMat[index,:] = listFromLine[0:3]if listFromLine[-1] == 'didntLike':classLabelVector.append(1)elif listFromLine[-1] == 'smallDoses':classLabelVector.append(2)elif listFromLine[-1] == 'largeDoses':classLabelVector.append(3)index += 1return returnMat, classLabelVector"""Parameters:dataSet - 特征矩阵Returns:normDataSet - 归一化后的特征矩阵ranges - 数据范围minVals - 数据最小值"""def autoNorm(dataSet): #对数据进行归一化，minVals = dataSet.min(0)#获得数据的最小值，min()方法返回列表元素中的最小值。对于dataSet这个矩阵返回每一列的最小值，所以返回的应该是一个一维的列表maxVals = dataSet.max(0)#获得数据的最大值, max()方法返回列表元素中的最大值。⭐max(1)则是对于行吗？ranges = maxVals - minVals#最大值和最小值的范围，得出的是一个(1,3)的数组normDataSet = np.zeros(np.shape(dataSet))#shape(dataSet)返回dataSet的矩阵行列数(1000,3)的0矩阵m = dataSet.shape[0]#返回dataSet的行数1000normDataSet = dataSet - np.tile(minVals, (m, 1)) #原始值减去最小值 ；(1,3)的最小值矩阵按照(1000,1)的规则复制normDataSet = normDataSet / np.tile(ranges, (m, 1))#除以最大和最小值的差,得到归一化数据return normDataSet, ranges, minVals#返回归一化数据结果,数据范围,最小值"""Parameters:无Returns:无"""if __name__ == '__main__': filename = "datingTestSet.txt"datingDataMat, datingLabels = file2matrix(filename)normDataSet, ranges, minVals = autoNorm(datingDataMat)print(normDataSet)print(ranges)print(minVals)
5 测试算法：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。⭐需要注意的是，10%的测试数据应该是随机选择的。import numpy as npimport operatordef classify0(inX, dataSet, labels, k):dataSetSize = dataSet.shape[0]diffMat = np.tile(inX, (dataSetSize, 1)) - dataSetsqDiffMat = diffMat**2sqDistances = sqDiffMat.sum(axis=1)distances = sqDistances**0.5sortedDistIndices = distances.argsort()classCount = {}for i in range(k):voteIlabel = labels[sortedDistIndices[i]]classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)return sortedClassCount[0][0]def file2matrix(filename):fr = open(filename)arrayOLines = fr.readlines()numberOfLines = len(arrayOLines)returnMat = np.zeros((numberOfLines,3))classLabelVector = []index = 0for line in arrayOLines:line = line.strip()listFromLine = line.split('\t')returnMat[index,:] = listFromLine[0:3]if listFromLine[-1] == 'didntLike':classLabelVector.append(1)elif listFromLine[-1] == 'smallDoses':classLabelVector.append(2)elif listFromLine[-1] == 'largeDoses':classLabelVector.append(3)index += 1return returnMat, classLabelVectordef autoNorm(dataSet):minVals = dataSet.min(0)maxVals = dataSet.max(0)ranges = maxVals - minValsnormDataSet = np.zeros(np.shape(dataSet))m = dataSet.shape[0]normDataSet = dataSet - np.tile(minVals, (m, 1))normDataSet = normDataSet / np.tile(ranges, (m, 1))return normDataSet, ranges, minVals"""函数说明:分类器测试函数Parameters:无Returns:normDataSet - 归一化后的特征矩阵ranges - 数据范围minVals - 数据最小值"""def datingClassTest():filename = "datingTestSet.txt" #打开文件名datingDataMat, datingLabels = file2matrix(filename) #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中hoRatio = 0.10#百分之十的测试集normMat, ranges, minVals = autoNorm(datingDataMat)#数据归一化,返回归一化后的矩阵,数据范围,数据最小值m = normMat.shape[0]#获得normMat的行数，也就是1000numTestVecs = int(m * hoRatio)#百分之十的测试数据的个数 100个errorCount = 0.0#分类错误计数，用来统计错误率for i in range(numTestVecs):#前numTestVecs(100)个数据作为测试集,后m-numTestVecs(900)个数据作为训练集classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],datingLabels[numTestVecs:m], 4) #normMat[i,:]第一维下标为i的所有值；normMat[100:1000,:]表示900的训练集；datingLabels[100:1000]取后900个类别标签；k=4print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i])) #显示分类类别和真是类别if classifierResult != datingLabels[i]:errorCount += 1.0print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))if __name__ == '__main__':datingClassTest()
⭐X[:,0]是numpy中数组的一种写法，表示对一个二维数组，取该二维数组第一维中的所有数据，第二维中取第0个数据，直观来说，X[:,0]就是取所有行的第0个数据, X[:,1] 就是取所有行的第1个数据。
可以改变函数datingClassTest内变量hoRatio和分类器k的值，检测错误率是否随着变量值的变化而增加。依赖于分类算法、数据集和程序设置，分类器的输出结果可能有很大的不同。⭐K的取值取奇数用于投票
6 使用算法：构建完整可用系统
import numpy as npimport operatordef classify0(inX, dataSet, labels, k):dataSetSize = dataSet.shape[0]diffMat = np.tile(inX, (dataSetSize, 1)) - dataSetsqDiffMat = diffMat**2sqDistances = sqDiffMat.sum(axis=1)distances = sqDistances**0.5sortedDistIndices = distances.argsort()classCount = {}for i in range(k):voteIlabel = labels[sortedDistIndices[i]]classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)return sortedClassCount[0][0]def file2matrix(filename):fr = open(filename)arrayOLines = fr.readlines()numberOfLines = len(arrayOLines)returnMat = np.zeros((numberOfLines,3))classLabelVector = []index = 0for line in arrayOLines:line = line.strip()listFromLine = line.split('\t')returnMat[index,:] = listFromLine[0:3]if listFromLine[-1] == 'didntLike':classLabelVector.append(1)elif listFromLine[-1] == 'smallDoses':classLabelVector.append(2)elif listFromLine[-1] == 'largeDoses':classLabelVector.append(3)index += 1return returnMat, classLabelVectordef autoNorm(dataSet):minVals = dataSet.min(0)maxVals = dataSet.max(0)ranges = maxVals - minValsnormDataSet = np.zeros(np.shape(dataSet))m = dataSet.shape[0]normDataSet = dataSet - np.tile(minVals, (m, 1))normDataSet = normDataSet / np.tile(ranges, (m, 1))return normDataSet, ranges, minVals"""函数说明:通过输入一个人的三维特征,进行分类输出Parameters:无Returns:无"""def classifyPerson():resultList = ['讨厌','有些喜欢','非常喜欢']#结果列表precentTats = float(input("玩视频游戏所耗时间百分比:")) #三维特征用户输入ffMiles = float(input("每年获得的飞行常客里程数:"))iceCream = float(input("每周消费的冰激淋公升数:"))filename = "datingTestSet.txt"#打开文件名datingDataMat, datingLabels = file2matrix(filename) #打开并处理数据normMat, ranges, minVals = autoNorm(datingDataMat) #训练集归一化inArr = np.array([precentTats, ffMiles, iceCream]) #生成NumPy数组,测试集 norminArr = (inArr - minVals) / ranges#测试集归一化classifierResult = classify0(norminArr, normMat, datingLabels, 3) #返回分类结果print("你可能%s这个人" % (resultList[classifierResult-1]))if __name__ == '__main__':classifyPerson()
