《機器學習實戰》第二章:k-近鄰演算法(1)簡單KNN
收拾下心情,繼續上路。
最近開始看Peter Harrington的《Machine Learning in Action》...
的中文版《機器學習實戰》。準備在部落格裡面記錄些筆記。
這本書附帶的程式碼和資料及可以在這裡找到。
這本書裡程式碼基本是用python寫的,而且經常用到numpy等一些常用的庫。
這個時候當然是直接裝個 anaconda 比較方便。IDE的話,pycharm是個不錯的選擇。
好了廢話不多說,咱們開始吧。
第一章《機器學習基礎》是些緒論,就跳過吧。從第二章《k-近鄰演算法》開始。
------------------------------------------------------------------------------------------------
k-近鄰演算法(k-nearest neighbors algorithm,KNN)
(1)是個【分類】演算法。是個最簡單、最基礎的演算法。
(2)基本思想:通過測量特徵值之間的距離(歐氏距離)給資料進行分類。
(3)詳細點兒說:
a.訓練樣本集中的每條資料都有一個標籤
b.輸入一條待分類的資料。把它的每個特徵和樣本集中資料對應的特徵進行距離比較
c.選擇最相似(距離最短)的前k條資料,看這k條資料哪個標籤最多,就把待分類的資料分到哪個標籤下。
(4)優點:精度高、對異常值不敏感
缺點:複雜度高
適用範圍:數值型 / 離散型 資料
------------------------------------------------------------------------------------------------
第一個例子很簡單。每條資料就2個特徵(2維),就叫特徵1和特徵2好了。
然後每條資料配一個標籤,標籤的種類有2種:A和B。
第一步是匯入資料,這個資料呢我們就直接從程式碼裡拿到手,後面的例子會從檔案裡摳出來,而且會做些預處理。
#!/usr/bin/python #coding:utf-8 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
作用很簡單,就是把資料存在group裡,把標籤存在labels裡。
要注意的是,group其實是個矩陣,它的型別是numpy包裡的array。往後的資料集都是用矩陣,也就是array型別來表示。labels則是個常見的list型別。
group是個4*2的矩陣,代表有四條資料,每條資料有2維。接下來這段程式碼就是用於分類的函式。
def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]
diffMat = tile(inX, (dataSetSize,1)) - dataSet
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDistIndices = distances.argsort()
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndices[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
sortedClassCount = sorted(classCount.iteritems(), key = operator.itemgetter(1),reverse=True)
return sortedClassCount[0][0]
解釋一下。
classify0 接受四個引數:
(1)inX: 待分類的資料。例:[0,0]
(2)dataSet: 訓練集矩陣。例:
[[1.0, 1.1],
[1.0, 1.0],
[0.0, 0.0],
[0.0, 0.1]]
(3)labels: 訓練集對應的標籤。例:['A', 'A', 'B', 'B',]
(4)k: k鄰近的k
第2行:shape 是 array的每一維的大小,比如上面那個矩陣,是4*2的,shape[0]就是4,也就是說dataSetSize是資料集的資料條數4。
第3行:tile() 作用是按行 / 列複製array。例:tile(inX, (4,1))將[0,0] 複製為:
[[0, 0],
[0, 0],
[0, 0],
[0, 0]]
再按矩對應元素陣減去dataSet,之後得到:
diffMat
[[-1.0, -1.1],
[-1.0, -1.0],
[-0.0, -0.0],
[-0.0, -0.1]]
第4~6行:矩陣的每一行,平方,求和,開方,求歐氏距離。分別得到:
sqDiffMat
[[ 1. , 1.21],
[ 1. , 1. ],
[ 0. , 0. ],
[ 0. , 0.01]]
sqDistances
[2.21, 2.0, 0.0, 0.01]
distances
[1.49, 1.41, 0.0, 0.1]
第7行:用 argsort 得到這四個距離的大小次序:[2, 3, 1, 0]。意思就是下標2的排第1,下標3的排第2,下標1的排第3,下標0的排第4
接下來就是統計標籤。把距離最小的前k條資料的標籤拿出來計數,並從大到小排序,決出最有可能的標籤
classCount 是個字典,鍵是標籤(A或B),值是標籤的計數。
通後得到 classCount:{'A': 1, 'B': 2}
然後按值的大小排序,得到 sortedClassCount :[('B', 2), ('A', 1)]
取 sortedClassCount[0][0] 就是 'B'
主函式:
if __name__ == "__main__":
group,labels = createDataSet()
print classify0([0, 0], group, labels, 3)