文章原创,最近更新:2018-08-7
本章节的主要内容是:
重点介绍项目案例1: 优化约会网站的配对效果中的 KNN算法。
1.KNN项目案例介绍:
项目案例1:
优化约会网站的配对效果
项目概述:
1)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。
2)她希望: 1. 工作日与魅力一般的人约会 2. 周末与极具魅力的人约会 3. 不喜欢的人则直接排除掉。现在她收集到了一些约会网站未曾记录的数据信息,这更有助于匹配对象的归类。
开发流程:收集数据:提供文本文件
准备数据:使用 Python 解析文本文件
分析数据:使用 Matplotlib 画二维散点图
训练算法:此步骤不适用于 k-近邻算法
测试算法:使用海伦提供的部分数据作为测试样本。
测试样本和非测试样本的区别在于:测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记为一个错误。
使用算法:产生简单的命令行程序,然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。
数据集介绍
海伦把这些约会对象的数据存放在文本文件 datingTestSet2.txt (数据来源于《机器学习实战》第二章 k邻近算法)中,总共有 1000 行。
本文使用的数据主要包含以下三种特征: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。其中分类结果作为文件的第四列,并且只有3、2、1三种分类值。datingTestSet2.csv文件格式如下所示:飞行里程数游戏耗时百分比冰淇淋公升数分类结果409208.3269760.9539523
144887.1534691.6739042
260521.4418710.8051241
数据在datingTestSet2.txt文件中的格式如下所示:
2.KNN算法代码
首先创建一个名为kNN.py的文件,再创建一个函数,这个函数返回一个矩阵和标签列表,以方便我们后续对K近邻(KNN)算法进行检验。def createDataSet():
"""
创建数据集和标签
调用方式
import kNN
group, labels = kNN.createDataSet()
"""
group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
labels = ['A', 'A', 'B', 'B'] return group, labels
下面这段代码就是kNN算法,目的就是为了找最近的距离def classify0(inX,dataSet,labels,k):
"""
inX:用于分类的输入向量
dataSet:输入的训练样本集
lables:标签向量
k:表示用于选择最近邻居的数目
预测数据所在分类可在输入下列命令
kNN.classify0([0,0], group, labels, 3)
"""
# array的shape函数返回指定维度的大小,如dataset为n*m的矩阵,
# 则dataset.shape[0]返回n,dataset.shape[1]返回m,dataset.shape返回n,m
dataSetSize = dataSet.shape[0] # tile函数简单的理解,它的功能是重复某个数组。比如tile(A,n),功能是将数组A重复n次,构成一个新的数组
# 所以此处tile(inX,(dataSetSize,1))的作用是将inX重复复制dataSetSize次,以便与训练样本集的样本个数一致
# 减去dataSet就是求出其差值,所以diffMat为一个差值矩阵
diffmat=np.tile(inX,(dataSetSize,1))-dataSet #距离度量,度量公式为欧氏距离
sqdiffmat=diffmat**2
# 将矩阵的每一行相加,axis用于控制是行相加还是列相加
sqdistances=sqdiffmat.sum(axis=1) #开方
distances=sqdistances**0.5
# 根据距离排序从小到大的排序,返回对应的索引位置
sortedDistIndicies=distances.argsort() # 选择距离最小的k个点
classcount={}
for i in range(k): # 找到该样本标签的类型
voteIlabel=labels[sortedDistIndicies[i]] # 字典的get方法,list.get(k,d) 其中 get相当于一条if...else...语句,参数k在字典中,字典将返回list[k];如果参数k不在字典中则返回参数d
classcount[voteIlabel]=classcount.get(voteIlabel,0)+1
# 字典的 items() 方法,以列表返回可遍历的(键,值)元组数组。
# sorted 中的第2个参数 key=operator.itemgetter(1) 这个参数的意思是先比较第几个元素
sortedClasscount = sorted(classcount.items(),key=operator.itemgetter(1),reverse=True) # 返回最符合的标签
return sortedClasscount[0][0]
测试代码及其结果如下:>import kNN
>group,labels=kNN.createDataSet()
>kNN.classify0([0,0],group,labels,3)'B'
3.KNN算法相关知识点
知识点1:欧氏距离
计算两个向量点xA和xB之间的距离,叫做欧氏距离公式,具体如下:
d=\sqrt{(xA_{0}-xB_{0})^{2}+(xA_{1}-xB_{1})^{2}}
例如,点(0,0)与(1,2)之间的距离计算为:
\sqrt{(0-1)^{2}+(1-2)^{2}}
举个小案例,首先求点与点之间的距离,具体如下第一行: 同一个点 到 dataSet的第一个点的距离。
第二行: 同一个点 到 dataSet的第二个点的距离。
...
第N行: 同一个点 到 dataSet的第N个点的距离。
由此可以得到截图的欧氏距离是:
a_{1}=\sqrt{(x-1)^{2}+(y-1)^{2}}
a_{2}=\sqrt{(x-1.1)^{2}+(y-1)^{2}}
a_{3}=\sqrt{(x-0)^{2}+(y-0)^{2}}
a_{4}=\sqrt{(x-0)^{2}+(y-0.1)^{2}}
知识点2:关于operator模块的运用
operator模块是python中内置的操作符函数接口,它定义了一些算术和比较内置操作的函数。operator模块是用c实现的,所以执行速度比python代码快。
知识点3:numpy中c.shape[0]的理解
建立一个4×2的矩阵c, c.shape[0] 为第一维的长度4(相当于行),c.shape[1] 为第二维的长度2(相当于列)。import numpy as np
group = np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
group
Out[21]:
array([[ 1. , 1.1],
[ 1. , 1. ],
[ 0. , 0. ],
[ 0. , 0.1]])
group.shape
Out[22]: (4, 2)
group.shape[0]
Out[23]: 4group.shape[1]
Out[24]: 2
知识点4:numpy中的tile函数
numpy.tile(A,B)函数,作用使数组A重复B次,这里的B可以时int类型也可以是元组类型。import numpy as npnp.tile([0,1],2)#在列方向上重复[0,1]2次,默认行1次Out[26]: array([0, 1, 0, 1])np.tile([0,1],(1,1))#在列方向上重复[0,1]1次,行1次Out[27]: array([[0, 1]])np.tile([0,1],(2,1))#在列方向上重复[0,1]1次,行2次Out[28]:
array([[0, 1], [0, 1]])np.tile([0,1],(2,2)))#在列方向上重复[0,1]2次,行2次Out[29]:
array([[0, 1, 0, 1], [0, 1, 0, 1]])np.tile([0,1],(3,2)))#在列方向上重复[0,1]2次,行3次Out[30]:
array([[0, 1, 0, 1], [0, 1, 0, 1], [0, 1, 0, 1]])
知识点5:关于diffMat=np.tile(inX,(dataSetSize,1))-dataSet这段代码的理解
举了一个小案例,具体可以参见如下案例:import numpy as np
dataSet = np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
dataSet
Out[47]:
array([[ 1. , 1.1],
[ 1. , 1. ],
[ 0. , 0. ],
[ 0. , 0.1]])
inX=np.array([0,1])
inX
Out[49]: array([0, 1])
dataSetSize=dataSet.shape[0]
dataSetSize
Out[51]: 4tile(inX, (dataSetSize,1))
Out[53]:
array([[0, 1],
[0, 1],
[0, 1],
[0, 1]])
diffMat=tile(inX, (dataSetSize,1))-group
diffMat
Out[55]:
array([[-1. , -0.1],
[-1. , 0. ],
[ 0. , 1. ],
[ 0. , 0.9]])
相当于截图,如下:
知识点6:python中的sum函数.sum(axis=1)
我们平时用的sum应该是默认的矩阵所有的值相加;axis=1表示按列求和,即把每一行的元素加起来;axis=0表示按行求和,即把每一列的元素加起来axis = 0代表行相加
axis = 1 代表列相加import numpy as np
a=np.array([[0,2,1],[5,4,2]])
a
Out[59]:
array([[0, 2, 1],
[5, 4, 2]])
a.sum()
Out[60]: 14a.sum(axis=0)
Out[61]: array([5, 6, 3])
a.sum(axis=1)
Out[62]: array([ 3, 11])
知识点7:numpy.argsort函数
返回值为从小到大的数字对应的index, 其中 axis = 0沿着行比较,即第一行和第二行的数比较,axis = 1 为沿着列比较,即第一列和第二列的比较。通过参数sort 还可以选择排序方法.a=np.array([5,4,7])
a
Out[64]: array([5, 4, 7])
np.argsort(a)
Out[65]: array([1, 0, 2], dtype=int64)
a
Out[68]:
array([[1, 5],
[3, 2]])
np.argsort(a,axis=0)
Out[69]:
array([[0, 1],
[1, 0]], dtype=int64)
np.argsort(a,axis=1)
Out[70]:
array([[0, 1],
[1, 0]], dtype=int64)
知识点8:classCount = {}
其中{}表示生成的是字典,在字典这个类中,有方法get,对classCount元素赋值,其实是个计数器
知识点9:字典的 get 函数
d.get(k,< default>),表示键k存在,则返回相应值,不在则返回< default>值
在这里主要是利用dictionary的get( ) 方法做计数统计,具体小案例如下:
案例1
假设统计 s="aabbccc"中,每个字符出现的次数:
结果应当为:"a":2, "b":2, "c":3s="aabbccc"dic={}for ch in s:
dic[ch]=1+dic.get(ch,0)
print(dic)
{'a': 2, 'b': 2, 'c': 3}
案例2a={5:2,3:4}
a.get(3,0)
Out[35]: 4
a.get(1,0)
Out[36]: 0
知识点10:字典的items函数
d.items()以列表返回可遍历的(键, 值) 元组数组dict = {'Name': 'Runoob', 'Age': 7}print ("Value : %s" % dict.items())
Value : dict_items([('Name', 'Runoob'), ('Age', 7)])
知识点11:Python sorted() 函数
sorted() 函数对所有可迭代的对象进行排序操作。
具体sorted 语法,如下:sorted(iterable[, cmp[, key[, reverse]]])
参数说明:iterable -- 可迭代对象。
cmp -- 比较的函数,这个具有两个参数,参数的值都是从可迭代对象中取出,此函数必须遵守的规则为,大于则返回1,小于则返回-1,等于则返回0。
key -- 主要是用来进行比较的元素,只有一个参数,具体的函数的参数就是取自于可迭代对象中,指定可迭代对象中的一个元素来进行排序。
reverse -- 排序规则,reverse = True 降序 , reverse = False 升序(默认)。
具体用法如下:>>>a = [5,7,6,3,4,1,2]>>> b = sorted(a) # 保留原列表>>> a
[5, 7, 6, 3, 4, 1, 2]>>> b
[1, 2, 3, 4, 5, 6, 7]
>>> L=[('b',2),('a',1),('c',3),('d',4)]>>> sorted(L, cmp=lambda x,y:cmp(x[1],y[1])) # 利用cmp函数[('a', 1), ('b', 2), ('c', 3), ('d', 4)]>>> sorted(L, key=lambda x:x[1]) # 利用key[('a', 1), ('b', 2), ('c', 3), ('d', 4)]
>>> students = [('john', 'A', 15), ('jane', 'B', 12), ('dave', 'B', 10)]>>> sorted(students, key=lambda s: s[2]) # 按年龄排序[('dave', 'B', 10), ('jane', 'B', 12), ('john', 'A', 15)]
>>> sorted(students, key=lambda s: s[2], reverse=True) # 按降序[('john', 'A', 15), ('jane', 'B', 12), ('dave', 'B', 10)]>>>
而这里所涉及到的知识点,具体用法可以有以下两种:
key为函数,指定取待排序元素的哪一项进行排序,函数用上面的例子来说明,代码如下:
方法一sorted(classcount.items(),key=lambda classcount.item :classcount.item[1],reverse=True)
key指定的lambda函数功能是去元素classcount.item的第二个域(即:classcount.item[1],),因此sorted排序时,会以classcount.items所有元素的第二个域来进行排序。
方法二
有了下面的operator.itemgetter函数,也可以用该函数来实现,例如要通过student的第三个域排序,可以这么写:sorted(classcount.items(),key=operator.itemgetter(1),reverse=True)
知识点12:operator.itemgetter函数
operator模块提供的itemgetter函数用于获取对象的哪些维的数据,参数为一些序号(即需要获取的数据在对象中的序号),下面看例子。
案例1import operatora=[1,2,3,4]
b=operator.itemgetter(0)
b(a)
Out[82]: 1b=operator.itemgetter(1)
b(a)
Out[84]: 2
案例2a=[('b',2),('a',1),('c',0)]
b=sorted(a,key=operator.itemgetter(1))
b
Out[39]: [('c', 0), ('a', 1), ('b', 2)]#可以看到排序是按照后边的0,1,2进行排序的,而不是a,b,cb=sorted(a,key=operator.itemgetter(0))
b
Out[41]: [('a', 1), ('b', 2), ('c', 0)]#这次比较的是前边的a,b,c而不是0,1,2b=sorted(a,key=operator.itemgetter(1,0))
b
Out[44]: [('c', 0), ('a', 1), ('b', 2)]#这个是先比较第2个元素,然后对第一个元素进行排序,形成多级排序。
作者:durian221783310
链接:https://www.jianshu.com/p/70a2bd579b20