《机器学习实战》实践心得 kNN篇

基础学习

生成数据：

首先建立一个模块KNN.py，写一个生成数据的函数

from numpy import *
import operator
def createDataSet():
    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = ['A','A','B','B']
    return group, labels

在python shell 中要调用这个函数，首先要到该模块所在路径，使用os模块中的函数：
import os
查看当前路径 os.getcwd()
更改当前路径 os.chdir()
在所在路径下先import KNN，再使用group, labels = KNN.createDataSet()即可生成数据。

KNN算法核心：

：
1.计算当前点和训练集中的每个点的欧氏距离
2.从小到大排序后取训练集中前k个点
3.返回这些点中出现频率最高的
python实现：

def classify0(inX,dataSet,labels,k):
    size = dataSet.shape[0]
    tmp = tile(inX,(size,1)) - dataSet
    tmp **= 2
    tmp = tmp.sum(axis = 1)
    tmp **= 0.5
    indice = tmp.argsort()
    count = {}
    for i in range(k):
        lb = labels[indice[i]]
        count[lb] = count.get(lb,0) + 1
    sortedCount = sorted(count.iteritems(),key = operator.itemgetter(1), reverse = True)
    return sortedCount[0][0]

语法解析：
1.shape返回array大小，shape[0]为第一维大小（训练集数据数量）
2.tile（A，reg）：把A按照reg的形式复制，即：reg是一个矩阵，把矩阵中的每个元素用A替代就是最后结果。例子：

 >>> a = np.array([0, 1, 2])
 >>> np.tile(a, 2)
 array([0, 1, 2, 0, 1, 2])
 >>> np.tile(a, (2, 2))
 array([[0, 1, 2, 0, 1, 2], [0, 1, 2, 0, 1, 2]])
 >>> np.tile(a, (2, 1, 2))
 array([[[0, 1, 2, 0, 1, 2]],
        [[0, 1, 2, 0, 1, 2]]])

 >>> b = np.array([[1, 2], [3, 4]])
 >>> np.tile(b, 2)
 array([[1, 2, 1, 2], [3, 4, 3, 4]])

3.argsort()，返回排序后的下标array
4.字典dict.get(key,x)查找键为key的value，如果不存在返回x。（用来初始化很方便）
5.sorted只能用于可迭代类型，因此字典必须用dict.iteritems()返回迭代器。sorted返回结果为list。
6.operator.itemgetter(i)返回对象的第i+1个元素，相当于匿名函数。
5,6的详解可以看http://www.cnblogs.com/100thMountain/p/4719503.html

数据转化程序：

def file2matrix(filename):
    fr = open(filename)
    classVector = []
    data = fr.readlines()
    lineNumber = len(data)
    resMat = zeros((lineNumber,3))
    index = 0
    for line in data:
        line = line.strip()
        lineList = line.split(' ')
        resMat[index,:] = lineList[0:3]
        classVector.append(int(lineList[-1]))
        index += 1
    return resMat, classVector

语法解析：
1.readlines从一个文件中逐行读入，并存入一个list中
2.str.strip()：去掉首尾的指定字符，若没有则去掉首尾空格
3.str.split()：以指定字符为分割符分割字符串，不指定则为空格
4.把字符串型数字赋值给numpy.array时会自动转成数字类型

绘图程序：

def plot(datingDataMat):
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.scatter(datingDataMat[:,1],datingDataMat[:,2])
    plt.show()

语法解析：
1.figure 创建一张新的图像
2.add_subplot(111) 表示把图像分割为1行1列，当前子图像画在第1块
3.scatter（X，Y） 以X为x坐标，Y为y坐标绘制散点图

手写数字分类问题

benchmark来自UCI，下载地址：
https://archive.ics.uci.edu/ml/datasets/Semeion+Handwritten+Digit

每个数字由32*32的灰度图表示，即256个0，1值组成的向量，后面紧跟一个大小为10的label向量

手写数字分类数据转化程序：

def readData(filename):
    fr = open(filename)
    data = fr.readlines()
    fr.close()
    n = len(data)
    dataMat = zeros((n,256))
    dataLabels = []

    for i in range(n):
        vals = data[i].split()
        dataMat[i,:] = vals[0:256]
        dataLabels.append(vals[256:].index('1'))

    return dataMat, dataLabels

手写数字分类测试程序

def test():
    dataMat, dataLabels = readData(r"E:\MLData\handwritedNumbers\semeion.data")
    m = dataMat.shape[0]
    testnum = int(m * 0.1)
    wrongnum = 0

    for i in range(testnum):
        ans = classify0(dataMat[i,:], dataMat[testnum:,:], dataLabels[testnum:], 5)
        if (ans != dataLabels[i]): wrongnum += 1

    print double(wrongnum) / testnum

list.index(n)返回list中第一个n的下标
最终发现预测错误率只有3%。（这么简单的算法竟然效果这么好，感受到了ML的强大）。
最后附上k值为1~20内的错误率：

1  0.0440251572327
2  0.062893081761
3  0.0440251572327
4  0.0503144654088
5  0.0314465408805
6  0.0503144654088
7  0.0440251572327
8  0.0377358490566
9  0.0377358490566
10 0.0503144654088
11 0.0377358490566
12 0.0377358490566
13 0.0440251572327
14 0.0440251572327
15 0.0440251572327
16 0.0377358490566
17 0.0440251572327
18 0.0440251572327
19 0.0377358490566

可以发现并没有明显规律