机器学习实战_K近邻算法 —— 约会预测

一、代码

说明：step1、step2是为了方便数据查看；step3、step4可单独运行。

import numpy as np
import operator


def classify0(inX, dataSet, labels, k):
    """
    函数说明：kNN算法，分类器

    Parameters:
        inX - 用于分类的数据（测试集）（1*m向量）
        dataSet - 用于训练的数据（训练集）（n*m向量array）
        labels - 分类标准（n*1向量array）
        k - kNN算法参数，选择距离最小的k个点

    Returns:
        sortedClassCount[0][0] - 分类结果

    """
    # numpy函数shape[0]获取dataSet的行数
    dataSetSize = dataSet.shape[0]
    # 将inX重复dataSetSize次并排成一列,即将inX赋值dataSetSize行、1列
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet   # tile：复制函数
    # 矩阵数乘：矩阵对应位置元素相乘（array()函数中矩阵的乘积可以使用np.matmul或者.dot()函数。而星号乘 （*）则表示矩阵对应位置元素相乘，与numpy.multiply()函数结果相同）
    sqDiffMat = diffMat ** 2  # 每个元素 ** 2
    # sum()所有元素相加，sum(0)列相加，sum(1)行相加
    sqDistances = sqDiffMat.sum(axis=1)
    # 开方，计算出距离
    distances = sqDistances ** 0.5  # 每个元素 ** 0.5
    # argsort函数返回的是distances值从小到大排序后的索引值
    sortedDistIndicies = distances.argsort()
    # 定义一个记录类别次数的字典
    classCount = {}
    # 选择距离最小的k个点
    for i in range(k):
        # 取出前k个元素的类别
        voteIlabel = labels[sortedDistIndicies[i]]
        # 字典的get()方法，返回指定键的值，如果值不在字典中返回0
        # 计算类别次数
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    # python3中用items()替换python2中的iteritems()
    # 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
    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]


def file2matrix(filename):
    """
    函数说明：打开解析文件，对数据进行分类：不喜欢，魅力一般，极具魅力

    Parameters:
        filename - 文件名

    Returns:
        returnMat - 特征矩阵
        classLabelVector - 分类label向量
    """
    with open(filename) as fr:
        # 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numberOfLines行，3列
        returnMat = np.zeros((numberOfLines, 3))
        # 创建分类标签向量
        classLabelVector = []
        # 行的索引值
        index = 0
        # 读取每一行
        for line in arrayOlines:
            # 去掉每一行首尾的空白符，例如'\n','\r','\t',' '
            line = line.strip()
            # 将每一行内容根据'\t'符进行切片,本例中一共有4列
            listFromLine = line.split('\t')
            # 将数据的前3列进行提取保存在returnMat矩阵中，也就是特征矩阵
            returnMat[index, :] = listFromLine[0:3]
            # 根据文本内容进行分类1：不喜欢；2：一般；3：喜欢
            classLabelVector.append(listFromLine[-1])
            index += 1
        # 返回标签列向量以及特征矩阵
    return returnMat, classLabelVector


def showdatas(datingDataMat, datingLabels):
    """
    函数说明：可视化数据

    Parameters:
        datingDataMat - 特征矩阵
        datingLabels - 分类Label

    Returns:
        None
    """

    from matplotlib.font_manager import FontProperties
    import matplotlib.lines as mlines
    import matplotlib.pyplot as plt
    # 设置汉字格式为14号简体字
    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nrows=2，ncols=2时，代表fig画布被分为4个区域，axs[0][0]代表第一行第一个区域
    fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8))
    # 获取datingLabels的行数作为label的个数
    # numberOfLabels = len(datingLabels)
    # label的颜色配置矩阵
    LabelsColors = []
    for i in datingLabels:
        # didntLike
        if i == "didntLike":
            LabelsColors.append('black')
        # smallDoses
        if i == "smallDoses":
            LabelsColors.append('orange')
        # largeDoses
        if i == "largeDoses":
            LabelsColors.append('red')

    # 图一：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
    # 画出散点图，以datingDataMat矩阵第一列为x，第二列为y，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比', 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')

    # 图二：每年获得的飞行常客里程数与每周消费的冰淇淋公升数
    # 画出散点图，以datingDataMat矩阵第一列为x，第三列为y，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淇淋公升数', 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'每周消费的冰淇淋公升数', 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')

    # 图三：玩视频游戏所消耗时间占比与每周消费的冰淇淋公升数
    # 画出散点图，以datingDataMat矩阵第二列为x，第三列为y，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淇淋公升数', 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'每周消费的冰淇淋公升数', 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()


def autoNorm(dataSet):
    """
    函数说明：对数据进行归一化

    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
    """
    # 获取数据的最小值
    minVals = dataSet.min(0)
    # 获取数据的最大值
    maxVals = dataSet.max(0)
    # 最大值和最小值的范围
    ranges = maxVals - minVals
    # numpy函数shape[0]返回dataSet的行数
    m = dataSet.shape[0]
    # 原始值减去最小值（x-xmin）
    normDataSet = dataSet - np.tile(minVals, (m, 1))
    # 差值处以最大值和最小值的差值（x-xmin）/（xmax-xmin）
    normDataSet = normDataSet / np.tile(ranges, (m, 1))
    # 归一化数据结果，数据范围，最小值
    return normDataSet, ranges, minVals


def datingClassTest():
    """
    函数说明：分类器测试函数

    Parameters:
        None

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

    """
    # 测试数据：取所有数据的10% hoRatio越小，错误率越低
    hoRatio = 0.10

    # 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("datingTestSet.txt")
    # 数据归一化，返回归一化数据结果，数据范围，最小值
    normMat, ranges, minVals = autoNorm(datingDataMat)

    # 获取normMat的行数
    m = normMat.shape[0]
    # 10%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
        # k选择label数+1（结果比较好）
        classifierResult = classify0(normMat[i, :],                 # 遍历数据集前m个样本
                                     normMat[numTestVecs:m, :],     # 数据集从m开始为训练样本
                                     datingLabels[numTestVecs:m],   # 标签集从m开始为训练样本的真实标签
                                     4)
        print("分类结果:%s\t真实类别:%s" % (classifierResult, datingLabels[i]))
        if classifierResult != datingLabels[i]:
            errorCount += 1.0
    print("错误率:%f%%" % (errorCount / float(numTestVecs) * 100))


def classifyPerson():
    """
    函数说明：通过输入一个人的三种特征，进行分类输出

    Parameters:
        None

    Returns:
        None
    """
    # 三维特征用户输入
    percentTats = float(input("每年获得的飞行常客里程数："))
    ffMiles = float(input("玩视频游戏所消耗时间百分比："))
    iceCream = float(input("每周消费的冰淇淋公升数："))

    # 打开数据文件并处理数据
    datingDataMat, datingLabels = file2matrix("datingTestSet.txt")
    # 训练集归一化
    normMat, ranges, minVals = autoNorm(datingDataMat)
    # 生成NumPy数组，测试集
    inArr = np.array([percentTats, ffMiles, iceCream])
    # 测试集归一化
    norminArr = (inArr - minVals) / ranges
    # 返回分类结果
    classifierResult = classify0(norminArr, normMat, datingLabels, 4)
    # 打印结果
    print("你可能%s这个人" % (classifierResult))


if __name__ == '__main__':

    # step1: 获取数据，格式化数据，图表化
    datingDataMat, datingLabels = file2matrix('datingTestSet.txt')
    print(datingDataMat)
    print(datingLabels)
    showdatas(datingDataMat, datingLabels)

    # step2：数据预处理（归一化）
    normDataSet, ranges, minVals = autoNorm(datingDataMat)
    print(normDataSet)
    print(ranges)
    print(minVals)

    # step3：测试算法
    datingClassTest()

    # step4: 个人约会喜好的预测
    classifyPerson()

二、运行结果

step1 的运行结果


step2 运行结果

step3 运行结果

step4 运行结果

三、资源

datingTestSet.txt下载