knn算法实例python_机器学习实战之kNN算法

机器学习实战这本书是基于python的，如果我们想要完成python开发，那么python的开发环境必不可少：

(1)python3.52,64位，这是我用的python版本

(2)numpy 1.11.3,64位，这是python的科学计算包，是python的一个矩阵类型，包含数组和矩阵，提供了大量的矩阵处理函数，使运算更加容易，执行更加迅速。

(3)matplotlib 1.5.3，64位，在下载该工具时，一定要对应好python的版本，处理器版本，matplotlib可以认为是python的一个可视化工具

好了，如果你已经完成了上述的环境配置，下面就可以开始完成真正的算法实战了。

一，k近邻算法的工作原理：

存在一个样本数据集，也称作训练数据集，并且样本集中每个数据都存在标签，即我们知道样本集中每个数据与所属分类的对应关系。当输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似的数据的分类标签。一般来水，我们只选择样本数据集中最相似的k个数据(通常k不大于20)，再根据多数表决原则，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

k近邻算法的一般流程：

(1)收集数据：可以采用公开的数据源

(2)准备数据：计算距离所需要的数值

(3)分析数据：剔除垃圾信息

(4)测试算法：计算错误率

(5)使用算法：运用在实际中，对实际情况进行预测

二，算法具体实施过程

(1)使用python导入数据，代码解析如下：

#-------------------------1 准备数据-------------------------------#可以采用公开的数据集，也可以利用网络爬虫从网站上抽取数据，方式不限#-------------------------2 准备数据-------------------------------#确保数据格式符合要求#导入科学计算包(数组和矩阵)

from numpy import *

from os importlistdir#导入运算符模块

importoperator#创建符合python格式的数据集

defcreateDataSet():#数据集 list(列表形式)

group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])#标签

labels=['A','A','B','B']return group, labels

(2)我们可以使用matplotlib 对数据进行分析

在python命令环境中，输入如下命令：

当输入如下命令时：

#导入制图工具

importmatplotlibimportmatplotlib.pyplot as plt

fig=plt.figure()

ax=fig.add_subplot(111)

ax.scatter(datingDataMat[:,1],datingDataMat[:,2])

plt.show()

从上面可以看到，由于没有使用样本分类的特征值，我们很难看到比较有用的数据模式信息

一般而言，我们会采用色彩或其他几号来标记不同样本的分类，以便更好的理解数据，重新输入命令：

#导入制图工具

importmatplotlibimportmatplotlib.pyplot as plt

fig=plt.figure()

ax=fig.add_subplot(111)#记得导入array函数

from numpy importarray#色彩不等，尺寸不同

ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels))

plt.show()

(3)实施kNN算法

k近邻算法对未知类别属性的数据集中每个点依次执行如下步骤：

1)计算已知类别数据集中的点与当前点之间的距离

2)按照距离递增次序排序

3)选取与当前点距离最小的k个点

4)确定前k个点所在类别的出现频率

5)返回前k个点出现频率最高的类别作为当前点的预测分类

具体代码解析如下：

#-------------------------构建分类器-------------------------------#KNN算法实施#@inX 测试样本数据#@dataSet 训练样本数据#@labels 测试样本标签#@k 选取距离最近的k个点

defclassify0(inX,dataSet,labels,k):#获取训练数据集的行数

dataSetSize=dataSet.shape[0]#---------------欧氏距离计算-----------------

#各个函数均是以矩阵形式保存

#tile():inX沿各个维度的复制次数

diffMat=tile(inX,(dataSetSize,1))-dataSet

sqDiffMat=diffMat**2

#.sum()运行加函数，参数axis=1表示矩阵每一行的各个值相加和

sqDistances=sqDiffMat.sum(axis=1)

distances=sqDistances**0.5

#--------------------------------------------

#获取排序(有小到大)后的距离值的索引(序号)

sortedDistIndicies=distances.argsort()#字典，键值对，结构类似于hash表

classCount={}for i inrange(k):#获取该索引对应的训练样本的标签

voteIlabel=labels[sortedDistIndicies[i]]#累加几类标签出现的次数，构成键值对key/values并存于classCount中

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

#将字典列表中按照第二列，也就是次数标签，反序排序(由大到小排序)

sortedClassCount=sorted(classCount.items(),

key=operator.itemgetter(1),reverse=True)#返回第一个元素(最高频率)标签key

return sortedClassCount[0][0]

(3)测试分类器

下面以两个实例对分类器效果进行测试

实例1：使用kNN改进某约会网站的配对效果

#-------------------------knn算法实例-----------------------------------#-------------------------约会网站配对-----------------------------------#---------------1 将text文本数据转化为分类器可以接受的格式---------------

deffile2matrix(filename):#打开文件

fr=open(filename)#读取文件每一行到array0Lines列表

#read():读取整个文件，通常将文件内容放到一个字符串中

#readline():每次读取文件一行，当没有足够内存一次读取整个文件内容时，使用该方法

#readlines():读取文件的每一行，组成一个字符串列表，内存足够时使用

array0Lines=fr.readlines()#获取字符串列表行数行数

numberOfLines=len(array0Lines)#返回的特征矩阵大小

returnMat=zeros((numberOfLines,3))#list存储类标签

classLabelVector=[]

index=0for line inarray0Lines:#去掉字符串头尾的空格，类似于Java的trim()

line=line.strip()#将整行元素按照tab分割成一个元素列表

listFromLine=line.split('\t')#将listFromLine的前三个元素依次存入returnmat的index行的三列

returnMat[index,:]=listFromLine[0:3]#python可以使用负索引-1表示列表的最后一列元素，从而将标签存入标签向量中

#使用append函数每次循环在list尾部添加一个标签值

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

index+=1

returnreturnMat,classLabelVector#----------------2 准备数据：归一化----------------------------------------------#计算欧式距离时，如果某一特征数值相对于其他特征数值较大，那么该特征对于结果影响要#远大于其他特征，然后假设特征都是同等重要，即等权重的，那么可能某一特征对于结果存#在严重影响

defautoNorm(dataSet):#找出每一列的最小值

minVals=dataSet.min(0)#找出每一列的最大值

maxVals=dataSet.max(0)

ranges=maxVals-minVals#创建与dataSet等大小的归一化矩阵

#shape()获取矩阵的大小

normDataSet=zeros(shape(dataSet))#获取dataSet第一维度的大小

m=dataSet.shape[0]#将dataSet的每一行的对应列减去minVals中对应列的最小值

normDataSet=dataSet-tile(minVals,(m,1))#归一化，公式newValue=(value-minvalue)/(maxVal-minVal)

normDataSet=normDataSet/tile(ranges,(m,1))returnnormDataSet,ranges,minVals#-------------------------3 测试算法----------------------------------------------#改变测试样本占比，k值等都会对最后的错误率产生影响

defdatingClassTest():#设定用来测试的样本占比

hoRatio=0.10

#从文本中提取得到数据特征，及对应的标签

datingDataMat,datingLabels=file2matrix('datingTestSet2.txt')#对数据特征进行归一化

normMat,ranges,minVals=autoNorm(datingDataMat)#得到第一维度的大小

m=normMat.shape[0]#测试样本数量

numTestVecs=int(hoRatio*m)#错误数初始化

errorCount=0.0

for i inrange(numTestVecs):#利用分类函数classify0获取测试样本数据分类结果

classifierResult=classify0(normMat[i,:],normMat[numTestVecs:m,:],\

datingLabels[numTestVecs:m],3)#打印预测结果和实际标签

print("the classifier came back with: %d, the real answer is: %d"\%(classifierResult,datingLabels[i]))#如果预测输出不等于实际标签,错误数增加1.0

if(classifierResult != datingLabels[i]):errorCount+=1.0

#打印最后的误差率

print("the total error rate is: %f" %(errorCount/float(numTestVecs)))#-------------------------4 构建可手动输入系统------------------------------------#用户输入相关数据，进行预测

defclassifyPerson():#定义预测结果

resultList=['not at all','in small does','in large does']#在python3.x中，已经删除raw_input()，取而代之的是input()

percentTats=float(input(\"percentage of time spent playing video games?"))

ffMiles=float(input("frequent filer miles earned per year?"))

iceCream=float(input("liters of ice cream consumed per year?"))

datingDataMat,datingLabels=file2matrix('datingTestSet2.txt')

normMat,ranges,minValues=autoNorm(datingDataMat)#将输入的数值放在数组中

inArr=array([ffMiles,percentTats,iceCream])

classifierResult=classify0((inArr-minValues)/ranges,normMat,datingLabels,3)print("you will probably like this person:",resultList[classifierResult-1])

实验结果：

当然用户也可以自己手动输入，进行预测：

实例2 手写识别系统

#-------------------------knn算法实例-----------------------------------#-------------------------手写识别系统-----------------------------------#-------------------------1 将图像转化为测试向量-------------------------#图像大小32*32，转化为1024的向量

defimg2vector(filename):

returnVec=zeros((1,1024))

fr=open(filename)for i in range(32):#每次读取一行

lineStr=fr.readline()for j in range(32):#通俗讲：就是根据首地址(位置)的偏移量计算出当前数据存放的地址(位置)

returnVec[0,32*i+j]=int(lineStr[j])returnreturnVec#-------------------------2 测试代码--------------------------------------

defhandwritingClassTest():

hwLabels=[]#列出给定目录的文件名列表，使用前需导入from os import listdir

trainingFileList=listdir('knn/trainingDigits')#获取列表的长度

m=len(trainingFileList)#创建一个m*1024的矩阵用于存储训练数据

trainingMat=zeros((m,1024))for i inrange(m):#获取当前行的字符串

fileNameStr=trainingFileList[i]#将字符串按照'.'分开，并将前一部分放于fileStr

fileStr=fileNameStr.split('.')[0]#将fileStr按照'_'分开，并将前一部分存于classNumStr

classNumStr=int(fileStr.split('_')[0])#将每个标签值全部存入一个列表中

hwLabels.append(classNumStr)#解析目录中的每一个文件，将图像转化为向量，最后存入训练矩阵中

trainingMat[i,:]=img2vector('knn/trainingDigits/%s' %fileNameStr)#读取测试数据目录中的文件列表

testFileList=listdir('knn/testDigits')

errorCount=0.0mTest=len(testFileList)for i inrange(mTest):#获取第i行的文件名

fileNameStr=testFileList[i]#将字符串按照'.'分开，并将前一部分放于fileStr

fileStr=fileNameStr.split('.')[0]#将fileStr按照'_'分开，并将前一部分存于classNumStr

classNumStr=int(fileStr.split('_')[0])#解析目录中的每一个文件，将图像转化为向量

vectorUnderTest=img2vector('knn/testDigits/%s' %fileNameStr)#分类预测

classifierResult=classify0(vectorUnderTest,trainingMat,hwLabels,3)#打印预测结果和实际结果

print("the classifierResult came back with: %d,the real answer is: %d" %(classifierResult,classNumStr))#预测错误，错误数加1次

if(classifierResult!=classNumStr):errorCount+=1.0

#打印错误数和错误率

print("\nthe total number of errors is: %d" %errorCount)print("\nthe total error rate is: %f" %(errorCount/float(mTest)))

实验结果(错误率)：

三，算法小结：

(1) 如果我们改变训练样本的数目，调整相应的k值，都会对最后的预测错误率产生影响，我们可以根据错误率的情况，对这些变量进行调整，从而降低预测错误率

(2)k近邻算法的优缺点：

k近邻算法具有精度高，对异常值不敏感的优点

k近邻算法是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数据。k近邻算法必须保存全部数据集，如果训练数据集很大，必须使用大量的存储空间。此外，由于必须对数据集中的每个数据计算距离，实际使用时也可能会非常耗时

此外，k近邻算法无法给出数据的基础结构信息，因此我们无法知道平均实例样本和典型实例样本具有怎样的特征。