1. 程式人生 > >機器學習實戰(一)k-近鄰kNN(k-Nearest Neighbor)

機器學習實戰(一)k-近鄰kNN(k-Nearest Neighbor)

目錄

0. 前言

1. k-近鄰演算法kNN(k-Nearest Neighbor)

2. 實戰案例

2.1. 簡單案例

2.2. 約會網站案例

2.3. 手寫識別案例


學習完機器學習實戰的k-近鄰演算法,簡單的做個筆記。文中部分描述屬於個人消化後的理解,僅供參考。

所有程式碼和資料可以訪問 我的 github

如果這篇文章對你有一點小小的幫助,請給個關注喔~我會非常開心的~

0. 前言

k-近鄰演算法kNN(k-Nearest Neighbor)是一種監督學習的分類演算法,演算法思想是通過判斷向量之間的距離,決定所屬的類別。

  • 優點:精度高、對異常值不敏感
  • 缺點:計算複雜度高、空間複雜度高
  • 適用資料型別:數值型和標稱型

1. k-近鄰演算法kNN(k-Nearest Neighbor)

演算法流程可描述如下:

  1. 已知待測試樣本 x_{test}=\begin{bmatrix} x_1\\ ...\\ x_n \end{bmatrix} ,訓練集合 (x^{(1)},y^{(1)}),...,(x^{(m)},y^{(m)})
  2. 計算待測試樣本與訓練集合中每一個樣本的歐式距離 d_1=\left|x-x^{(1)}\right|,...,d_m=\left|x-x^{(m)}\right|
  3. 對 d_1,...,d_m 從小到大排序
  4. 選擇前 k 個距離最短的樣本,其中出現次數最多的類別,就是待測試樣本的分類結果

其中,x 與 x^{(1)} 的歐式距離表示為:

\sqrt{(x_1-x_1^{(1)})^{2}+...+(x_n-x_n^{(1)})^{2}}

注:kNN演算法必須儲存所有的樣本資料集,並且每一個測試樣本,都要計算其與所有樣本資料的距離,所以時間複雜度和空間複雜度都很高。

2. 實戰案例

以下將展示書中的三個案例的程式碼段,所有程式碼和資料可以在github中下載:

2.1. 簡單案例

# coding:utf-8
from numpy import *
import operator

"""
簡單案例
"""


# 建立資料集和標籤
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


# 分類演算法
def classify0(intX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    # tile():
    #   在行方向上重複 intX,dataSetSize 次
    #   在列方向上重複 intX,1 次
    diffMat = tile(intX, (dataSetSize, 1)) - dataSet
    # ** 表示平方
    sqDiffMat = diffMat ** 2
    # sum(axis=0) 表示每一列相加
    # sum(axis=1) 表示每一行相加
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5

    # argsort():
    #   按照數值從小到大,對數字的索引進行排序
    sortedDistIndicies = distances.argsort()
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        # {}.get(voteIlabel, 0):
        #   查詢鍵值 voteIlabel,如果鍵值不存在則返回 0
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1

    # key=operator.itemgetter(1)
    #   獲取物件第 1 個域的值
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]


if __name__ == '__main__':
    group, labels = createDataSet()
    intX = [0, 0]
    k = 3
    clasifierResult = classify0(intX, group, labels, k)
    print(clasifierResult)

2.2. 約會網站案例

# coding:utf-8
from numpy import *
import matplotlib.pyplot as plt
import operator

"""
約會網站案例
"""


# 將txt文中中的資料轉換為矩陣
def file2matrix(filename):
    fr = open(filename)
    arrayOLines = fr.readlines()
    numberOfLines = len(arrayOLines)
    returnMat = zeros((numberOfLines, 3))
    classLabelVector = []
    index = 0
    for line in arrayOLines:
        # strip():
        #   移除字串頭尾的指定字元
        line = line.strip()
        listFromLine = line.split('\t')
        returnMat[index, :] = listFromLine[0:3]
        classLabelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat, classLabelVector


# 均值歸一化
def autoNorm(dataSet):
    # min(a):
    #   a=0 每列的最小值
    #   a=1 每行的最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    meanVals = dataSet.mean(0)
    ranges = maxVals - minVals
    normDataSet = zeros(shape(dataSet))
    m = dataSet.shape[0]
    normDataSet = dataSet - tile(meanVals, (m, 1))
    normDataSet = normDataSet / tile(ranges, (m, 1))
    return normDataSet, ranges, meanVals


# 分類演算法
def classify0(intX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    # tile():
    #   在行方向上重複 intX,dataSetSize 次
    #   在列方向上重複 intX,1 次
    diffMat = tile(intX, (dataSetSize, 1)) - dataSet
    # ** 表示平方
    sqDiffMat = diffMat ** 2
    # sum(axis=0) 表示每一列相加
    # sum(axis=1) 表示每一行相加
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5

    # argsort():
    #   按照數值從小到大,對數字的索引進行排序
    sortedDistIndicies = distances.argsort()
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        # {}.get(voteIlabel, 0):
        #   查詢鍵值 voteIlabel,如果鍵值不存在則返回 0
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1

    # key=operator.itemgetter(1)
    #   獲取物件第 1 個域的值
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]


# 測試分類演算法
def datingClassTest():
    hoRatio = 0.1
    datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
    normMat, ranges, meanVals = autoNorm(datingDataMat)
    m = normMat.shape[0]
    numTestVecs = int(m * hoRatio)
    correctCount = 0
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :],
                                     datingLabels[numTestVecs:m], 3)
        print('the classifier came back with: %d, the real answer is: %d'
              % (classifierResult, datingLabels[i]))
        if classifierResult == datingLabels[i]:
            correctCount += 1.0
    print('the total accuracy is: %f' % (correctCount / float(numTestVecs)))


if __name__ == '__main__':
    datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
    fig = plt.figure()
    # add_subplot(321):
    #   將畫圖分割成 3 行 2 列,現在這個在從左到右從上到下第 1 個
    ax = fig.add_subplot(111)
    ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2],
               15.0 * array(datingLabels), 15.0 * array(datingLabels))
    plt.show()
    datingClassTest()

2.3. 手寫識別案例

# coding:utf-8
from numpy import *
import operator
from os import listdir

"""
手寫識別案例
"""


# 將01文字表示的影象轉換為向量
def img2vector(filename):
    returnVect = zeros((1, 1024))
    fr = open(filename)
    for i in range(32):
        lineStr = fr.readline()
        for j in range(32):
            returnVect[0, 32 * i + j] = int(lineStr[j])
    return returnVect


# 分類演算法
def classify0(intX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    # tile():
    #   在行方向上重複 intX,dataSetSize 次
    #   在列方向上重複 intX,1 次
    diffMat = tile(intX, (dataSetSize, 1)) - dataSet
    # ** 表示平方
    sqDiffMat = diffMat ** 2
    # sum(axis=0) 表示每一列相加
    # sum(axis=1) 表示每一行相加
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5

    # argsort():
    #   按照數值從小到大,對數字的索引進行排序
    sortedDistIndicies = distances.argsort()
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        # {}.get(voteIlabel, 0):
        #   查詢鍵值 voteIlabel,如果鍵值不存在則返回 0
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1

    # key=operator.itemgetter(1)
    #   獲取物件第 1 個域的值
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]


# 測試分類演算法
def handwritingClassTest():
    hwLabels = []
    # 讀取目錄下檔案列表
    trainingFileList = listdir('trainingDigits')
    m = len(trainingFileList)
    trainingMat = zeros((m, 1024))
    for i in range(m):
        fileNameStr = trainingFileList[i]
        fileStr = fileNameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainingMat[i, :] = img2vector('trainingDigits/%s' % (fileNameStr))
    testFileList = listdir('testDigits')
    correctCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        vectorUnderTest = img2vector('testDigits/%s' % (fileNameStr))
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
        print('the classifier came back with: %d, the real answer is: %d'
              % (classifierResult, classNumStr))
        if classifierResult == classNumStr:
            correctCount += 1.0
    print('the total accuracy is: %f' % (correctCount / float(mTest)))


if __name__ == '__main__':
    handwritingClassTest()

如果這篇文章對你有一點小小的幫助,請給個關注喔~我會非常開心的~