机器学习实战之KNN算法 | 数盟

本系列教程为《机器学习实战》的读书笔记。首先,讲讲写本系列教程的原因:第一,《机器学习实战》的代码由Python2编写,有些代码在Python3上运行已会报错,本教程基于Python3进行代码的修订;第二:之前看了一些机器学习的书籍,没有进行记录,很快就忘记掉了,通过编写教程也是一种复习的过程;第三,机器学习相对于爬虫和数据分析而言,学习难度更大,希望通过本系列文字教程,让读者在学习机器学习的路上少走弯路。

本系列教程特点:

基于《机器学习实战》

尽量避免讲太多数学公式,通过简单直白的方式讲解各算法的原理

对于算法实现的代码进行详细讲解

哪些读者可以食用:

了解机器学习的基本术语

会Python语言

会numpy和pandas库的使用

k-近邻算法(KNN)原理

KNN算法为分类算法。一句老话来描述KNN算法:“近朱者赤,近墨者黑”。 算法原理:计算测试样本与每个训练样本的距离(距离计算方法见下文),取前k个距离最小的训练样本,最后选择这k个样本中出现最多的分类,作为测试样本的分类。 如图所示,绿色的为测试样本,当k取3时,该样本就属于红色类;当k取5时,就属于蓝色类了。所以k值的选择很大程度影响着该算法的结果,通常k的取值不大于20。

KNN算法原理

介绍完原理后,看看KNN算法的伪代码流程:

计算测试样本与所有训练样本的距离

对距离进行升序排序,取前k个

计算k个样本中最多的分类

KNN之约会对象分类

问题描述与数据情况

海伦使用约会网站寻找约会对象。经过一段时间之后,她发现曾交往过三种类型的人:

不喜欢的人

魅力一般的人

极具魅力的人

这里海伦收集了1000行数据,有三个特征:每年获得的飞行常客里程数;玩视频游戏所耗时间百分比;每周消费的冰淇淋公升数。以及对象的类型标签,如图所示。

数据情况

解析数据

import numpy as np

 

import operator

 

def file2matrix(filename):

 

   fr = open(filename)

 

   arrayOLines = fr.readlines()

 

   numberOflines = len(arrayOLines)

 

   returnMat = np.zeros((numberOflines, 3))

 

   classLabelVector = []

 

   index = 0

 

   for line in arrayOLines:

 

       line = line.strip()

 

       listFromLine = line.split('\t')

 

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

 

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

 

       index = index + 1

 

   return returnMat, classLabelVector

定义解析数据的函数:4-9行:读取文件,并获取文件行数,创建一个文件行数(1000行)和3列的Numpy全0数组,创建用于存放类标签的classLabelVector列表。 10-17行:对文件进行循环遍历,对前三列数据存放到returnMat数组中,最后一列存放到classLabelVector列表中。结果如图所示。

解析数据

上面的代码为书中所写,其实用pandas读取数据后再出来是很方便了,代码如下:

import numpy as np

 

import operator

 

import pandas as pd

 

def file2matrix(filename):

 

   data = pd.read_table(open(filename), sep='\t', header=None)

 

   returnMat = data[[0,1,2]].values

 

   classLabelVector = data[3].values

 

   return returnMat, classLabelVector

归一化

由于特征间的数值差别太大,在计算距离时,数值大的属性会对结果产生更大的影响,这里需要对数据进行归一化:new = (old-min)/(max-min)。代码如下:

def autoNorm(dataSet):

 

   minval = dataSet.min(0)

 

   maxval = dataSet.max(0)

 

   ranges = maxval - minval

 

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

 

   m = dataSet.shape[0]

 

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

 

   normDataSet = normDataSet/np.tile(ranges, (m,1))

 

   return normDataSet, ranges, minval

传入的参数为测试数据(就是returnMat);首先按0轴(也就是按列)进行min和max的计算,如图所示进行简单的示例;然后构造和数据(normDataSet)一样大小的0矩阵; tile函数的用法读者可以自行百度,这里看下使用后的案例,作用就是让一维数组重复m行,如图所示,这样就可以进行数据归一化的计算。

示例

示例

结果

KNN算法

这里使用的距离为欧式距离,公式为:

欧式距离

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

 

   dataSize = dataSet.shape[0]

 

   diffMat = np.tile(inX, (dataSize,1)) -dataSet

 

   sqdiffMat = diffMat ** 2

 

   sqDistance = sqdiffMat.sum(axis = 1)

 

   distances = sqDistance ** 0.5

 

   sortedDist = distances.argsort()

 

   classCount ={}

 

   for i in range(k):

 

       voteIlable = labels[sortedDist[i]]

 

       classCount[voteIlable] = classCount.get(voteIlable, 0) + 1

 

   sortedClassCount = sorted(classCount.items(),

 

                            key=operator.itemgetter(1), reverse=True)

 

   return sortedClassCount[0][0]

inX为训练数据;dataSet为测试数据,labels为类别标签;k为取值; 2-6行:计算欧式距离; 7-最后:对计算的距离进行索引排序(argsort),然后对字典进行排序,获取值最多的分类。

对分类器进行测试

这里选择前10%数据做为测试样本,进行分类器的测试。

def test():

 

   r = 0.1

 

   X, y = file2matrix('数据/datingTestSet2.txt')

 

   new_X, ranges, minval = autoNorm(X)

 

   m = new_X.shape[0]

 

   numTestVecs = int(m*r)

 

   error = 0.0

 

   for i in range(numTestVecs):

 

       result = classify(new_X[i, :],new_X[numTestVecs:m, :], y[numTestVecs:m], 3)

 

       print('分类结果: %d, 真实数据: %d' %(result, y[i]))

 

       if (result != y[i]):

 

           error = error + 1.0

 

   print('错误率: %f' % (error/float(numTestVecs)))

结果

测试系统

最后,编写一个简单的测试系统,该代码通过人为的输入三个属性特征,可以自动得到该约会对象的分类标签。

def system():

 

   style = ['不喜欢', '一般', '喜欢']

 

   ffmile = float(input('飞行里程'))

 

   game = float(input('游戏'))

 

   ice = float(input('冰淇淋'))

 

   X, y = file2matrix('数据/datingTestSet2.txt')

 

   new_X, ranges, minval = autoNorm(X)

 

   inArr = np.array([ffmile, game, ice])

 

   result = classify((inArr - minval)/ranges, new_X, y, 3)

 

   print('这个人', style[result - 1])

结果

算法优缺点

优点:精度高,对异常值不敏感

缺点:计算复杂(想想每个测试样本都要与训练样本继续距离计算)

作者:罗罗攀,Python中文社区专栏作者,《从零开始学网络爬虫》图书作者。专栏地址: http://www.jianshu.com/u/9104ebf5e177

媒体合作请联系:

邮箱:xiangxiaoqing@stormorai.com

注:转载文章均来自于公开网络,仅供学习使用,不会用于任何商业用途,如果侵犯到原作者的权益,请您与我们联系删除或者授权事宜,联系邮箱:contact@dataunion.org。转载数盟网站文章请注明原文章作者,否则产生的任何版权纠纷与数盟无关。
期待你一针见血的评论,Come on!

不用想啦,马上 "登录"  发表自已的想法.