机器学习之knn

1、KNN分类算法

KNN分类算法（K-Nearest-Neighbors Classification），又叫K近邻算法，是一个概念极其简单，而分类效果又很优秀的分类算法。

他的核心思想就是，要确定测试样本属于哪一类，就寻找所有训练样本中与该测试样本“距离”最近的前K个样本，然后看这K个样本大部分属于哪一类，那么就认为这个测试样本也属于哪一类。简单的说就是让最相似的K个样本来投票决定。

KNN算法不仅可以用于分类，还可以用于回归。通过找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，就可以得到该样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的 权值(weight)，如权值与距离成反比。　该算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。 该算法只计算“最近的”邻居样本，某一类的样本数量很大，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本。无论怎样，数量并不能影响运行结果。可以采用权值的方法（和该样本距离小的邻居权值大）来改进。

该方法的另一个不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。目前常用的解决方法是事先对已知 样本点进行剪辑，事先去除对分类作用不大的样本。该算法比较适用于 样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。

实现 K 近邻算法时，主要考虑的问题是如何对训练数据进行快速 K 近邻搜索，这在特征空间维数大及训练数据容量大时非常必要。

2、数据集介绍

machine-learning-databases/iris 点击打开链接

数据集信息:

这也许是最著名的数据库模式识别文献中被发现。 费舍尔的论文是一个典型的,经常被引用。 (见杜达&哈特,例如)。 50个实例的数据集包含3类,其中

每个类是指一种虹膜。 一个类是线性可分的从其他2;后者不是线性可分的。 

预测属性:类的虹膜。 

UCI中的Iris(鸢尾属植物)数据集。Iris数据包含150条样本记录，分剐取自三种不同的鸢尾属植物setosa、versic010r和virginica的花朵样本，每一

类各50条记录，其中每条记录有4个属性：萼片长度(sepal length)、萼片宽度sepalwidth)、花瓣长度(petal length)和花瓣宽度(petal width)。

这是一个极其简单的域。 

3、完整源码

 <pre code_snippet_id="1766654" snippet_file_name="blog_20160717_1_8836404" name="code" class="python">#-*- coding: UTF-8 -*-
 '''''
 Created on 2016/7/17

 @author: chen
 '''
 import csv     #用于处理csv文件
 import random    #用于随机数
 import math
 import operator  #
 from sklearn import neighbors

 #加载数据集
 def loadDataset(filename,split,trainingSet=[],testSet = []):
     with open(filename,"rb") as csvfile:
         lines = csv.reader(csvfile)
         dataset = list(lines)
         for x in range(len(dataset)-1):
             for y in range(4):
                 dataset[x][y] = float(dataset[x][y])
             if random.random()<split:
                 trainingSet.append(dataset[x])
             else:
                 testSet.append(dataset[y])

 #计算距离
 def euclideanDistance(instance1,instance2,length):
     distance = 0
     for x in range(length):
         distance = pow((instance1[x] - instance2[x]),2)
     return math.sqrt(distance)

 #返回K个最近邻
 def getNeighbors(trainingSet,testInstance,k):
     distances = []
     length = len(testInstance) -1
     #计算每一个测试实例到训练集实例的距离
     for x in range(len(trainingSet)):
         dist = euclideanDistance(testInstance, trainingSet[x], length)
         distances.append((trainingSet[x],dist))
     #对所有的距离进行排序
     distances.sort(key=operator.itemgetter(1))
     neighbors = []
     #返回k个最近邻
     for x in range(k):
         neighbors.append(distances[x][0])
     return neighbors

 #对k个近邻进行合并，返回value最大的key
 def getResponse(neighbors):
     classVotes = {}
     for x in range(len(neighbors)):
         response = neighbors[x][-1]
         if response in classVotes:
             classVotes[response]+=1
         else:
             classVotes[response] = 1
     #排序
     sortedVotes = sorted(classVotes.iteritems(),key = operator.itemgetter(1),reverse =True)
     return sortedVotes[0][0]

 #计算准确率
 def getAccuracy(testSet,predictions):
     correct = 0
     for x in range(len(testSet)):
         if testSet[x][-1] == predictions[x]:
             correct+=1
     return (correct/float(len(testSet))) * 100.0

 def main():
     trainingSet = []  #训练数据集
     testSet = []      #测试数据集
     split = 0.67      #分割的比例
     loadDataset(r"../data/iris.txt", split, trainingSet, testSet)
     print "Train set :" + repr(len(trainingSet))
     print "Test set :" + repr(len(testSet))

     predictions = []
     k = 3
     for x in range(len(testSet)):
         neighbors = getNeighbors(trainingSet, testSet[x], k)
         result = getResponse(neighbors)
         predictions.append(result)
         print ">predicted = " + repr(result) + ",actual = " + repr(testSet[x][-1])
     accuracy = getAccuracy(testSet, predictions)
     print "Accuracy:" + repr(accuracy) + "%"

 if __name__ =="__main__":
     main()  pre><br>
 <br>
 <pre>pre>
 <div><br>
 div>
    2. sklearn knn的使用，以及cross validation交叉验证  2.1 数据集的准备  数据集来源：https://archive.ics.uci.edu/ml/datasets/Iris  代码github地址以及数据集github地址，见本人的github   import numpy as np
from sklearn.metrics import accuracy_score
from sklearn.neighbors import KNeighborsClassifier
from sklearn.cross_validation import train_test_split, cross_val_score
import pandas as pd
import matplotlib.pyplot as plt


def load_data():
    names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'class']
    # loading training data
    path = '../dataset/knn/iris_data.txt'
    df = pd.read_csv(path, header=None, names=names)
    # print df.head()
    x = np.array(df.ix[:, 0: 4])
    y = np.array(df['class'])

    print x.shape, y.shape
    # x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.33, random_state=40)
    return train_test_split(x, y, test_size=0.33, random_state=40) 
       
       1 
       2 
       3 
       4 
       5 
       6 
       7 
       8 
       9 
       10 
       11 
       12 
       13 
       14 
       15 
       16 
       17 
       18 
       19 
       20 
         2.2 验证预测效果 def predict():
    x_train, x_test, y_train, y_test = load_data()
    k = 3
    knn = KNeighborsClassifier(n_neighbors=k)
    knn.fit(x_train, y_train)
    pred = knn.predict(x_test)
    print accuracy_score(y_test, pred) 
       
       1 
       2 
       3 
       4 
       5 
       6 
       7 
       2.3 交叉验证 def cross_validation():
    x_train, x_test, y_train, y_test = load_data()
    k_lst = list(range(1, 30))
    lst_scores = []

    for k in k_lst:
        knn = KNeighborsClassifier(n_neighbors=k)
        scores = cross_val_score(knn, x_train, y_train, cv=10, scoring='accuracy')
        lst_scores.append(scores.mean())

    # changing to misclassification error
    MSE = [1 - x for x in lst_scores]
    optimal_k = k_lst[MSE.index(min(MSE))]
    print "The optimal number of neighbors is %d" % optimal_k
    # plot misclassification error vs k
    # plt.plot(k_lst, MSE)
    # plt.ylabel('Misclassification Error')
    plt.plot(k_lst, lst_scores)
    plt.xlabel('Number of Neighbors K')
    plt.ylabel('correct classification rate')
    plt.show() 
       
       1 
       2 
       3 
       4 
       5 
       6 
       7 
       8 
       9 
       10 
       11 
       12 
       13 
       14 
       15 
       16 
       17 
       18 
       19 
       20 
       21 
        
       
        
       knn改进方法 
       
       
         不同的K值加权  
         距离度量标准根据实际问题，使用不同的距离  
         特征归一化，例如，身高和体重x=[180,70]，升高计算明显，更影响结果，所有需要对两者分别求平均值，然后归一化。  
         如果维数过大，可以做PCA降维处理
  不同的K值加权
  距离度量标准根据实际问题，使用不同的距离
  特征归一化，例如，身高和体重x=[180,70]，升高计算明显，更影响结果，所有需要对两者分别求平均值，然后归一化。
  如果维数过大，可以做PCA降维处理