Machine Learning中算法的实现

机器学习算法非常重要，基本的算法手动实现一次，有很好的学习效果。下面实现k紧邻算法、

k近邻算法简单、直观。它的核心思想非常简单，给定一个训练数据，对于新的输入实例，在训练数据集中赵傲与该实例最邻近额度k个实例，这k个实例的最多数属于某个类，就把输入实例分成这个类。k近邻模型实际上是对特徵空间的划分，模型的三个基本要素为：距离度量，k值选择和分类决策规则决定。对于距离的度量，我们一般选择为欧氏距离，分类决策的规则为民主投票，即哪一类的结果最多，就分为哪一类。

下面以手写数字识别为例，给出实现的代码：

from numpy import *
import operator
from os import listdir

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize,1)) - dataSet # A沿各个维度重复的次数
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)#矩阵的每一行相加
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]

def img2vector(filename):
    returnvector = zeros((1,1024))
    fr = open(filename)
    for i in range(32):
        lineStr = fr.readline()
        for j in range(32):
            returnvector[0,32*i+j] = int(lineStr[j])
    return returnvector

def handwritingClasstest():
    hwLabels = []
    trainingFilelist = listdir('trainingDigits')
    m = len(trainingFilelist)
    trainingMat = zeros((m,1024))
    for i in range(m):
        filenameStr = trainingFilelist[i]
        fileStr = filenameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainingMat[i,:] = img2vector('trainingDigits/%s' % filenameStr)

    testFileList = listdir('testDigits')
    errorCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        filenameStr = testFileList[i]
        fileStr = filenameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        vectorUnderTest = img2vector('testDigits/%s' % filenameStr)
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
        print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)
        if (classifierResult != classNumStr): errorCount += 1.0
    print "\nthe total number of errors is: %d" % errorCount
    print "\nthe total error rate is: %f" % (errorCount / float(mTest))

if __name__ == '__main__':
    handwritingClasstest()

运行之后的结果为：

我们可以看到，使用kNN识别的错误率为1.16%已经非常高了。

例子中使用的数据集下载地址为：http://archive.ics.uci.edu/ml 作者是土耳其的一位教授