Machine Learning in Action(机器学习实战)之K最近邻(k-Nearest Neighbor，KNN)分类算法学习笔记

你的名字 2022-03-11 15:27 147阅读 0赞

### 本博客相关工程及数据文件：[GitHub地址][GitHub] ###

### 1. 学习环境 ###

windows10 、Anaconda(向初学者推荐这个工具) 中的IDE工具Spyder 、python 3.7。

### 2. K-近邻算法概述 ###

2.1. K-近邻算法工作原理

在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训    练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。简单来说，k-近邻算法采  用测量不同特征值之间的距离方法进行分类。

2.2 K-近邻算法优缺点

优点：精度高、对异常值不敏感、无数据输入假定。

缺点：计算复杂度高、空间复杂度高。

适用数据范围：数值型和标称型。

2.3.K-近邻算法的一般流程

(1)  收集数据：可以使用任何合适的方法。

(2)  准备数据：距离计算所需要的数值，最好是结构化的数据格式。

(3)  分析数据：可以使用任何可行的方法。

(4)  训练算法：此步骤不适用于K-近邻算法。

(5)  测试算法：计算错误率。

(6)  使用算法：首先需要输入样本数据和结构化的输出结果，然后运行K-近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理。

### 3. 实施K-近邻算法 ###

3.1k-近邻算法伪代码：

对未知类别属性的数据集中的每个点依次执行以下操作：

(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；

3.2 程序清单：k-近邻算法

使用欧式距离公式计算两个向量点A和B之间的距离：

![20190308150222100.png][]

def classify0(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 in range(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
        #Python 字典(Dictionary) items() 函数以列表返回可遍历的(键, 值)元组数组
        #将元组中按照第二列，也就是次数标签，降序排序（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
        return sortedClassCount[0][0]

### 4. k-近邻算法示例1 ###

示例1：使用K-近邻算法改进约会网站的配对效果

4.1 基本流程：

(1)  收集数据：提供文本文件。

(2)  准备数据：使用python解析文本文件。

(3)  分析数据：使用Matplotlib画二维扩散图。

(4)  训练算法：此步骤不适用于K-近邻算法。

(5)  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。

(6)  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。

4.2.1  准备数据：从文本文件中解析数据

将待处理的数据改变为分类器可以接受的格式。该函数的输入为文件名字符串，输出为训练样本矩阵和标签向量

def file2matrix(filename):
        fr = open(filename)
        #readlines()函数一次读取整个文件，readlines() 自动将文件内容分析成一个行的列表，
        #该列表可以由 Python 的 for ... in ... 结构进行处理。
        arrayOLines = fr.readlines()
        #len() 返回字符串、列表、字典、元组等长度。
        #得到文件的行数
        numberOfLines = len(arrayOLines)
        #zeros函数 例:zeros((3,4)),创建3行4列以0填充的矩阵
        #创建以0填充的Numpy 矩阵
        returnMat = zeros((numberOfLines,3))
        classLabelVector = []
        index = 0
        for line in arrayOLines:
            #strip()函数 s.strip(rm) 删除s字符串中开头、结尾处，位于 rm删除序列的字符
            #当rm为空时，默认删除空白符（包括'\n', '\r',  '\t',  ' ')
            line = line.strip()  # 截取所有的回车符
            #split()：拆分字符串。通过指定分隔符对字符串进行切片，
            #并返回分割后的字符串列表（list）
            listFromLine = line.split('\t')  #解析文件数据到列表
            returnMat[index,:] = listFromLine[0:3]
            classLabelVector.append(int(listFromLine[-1]))
            index += 1
        return returnMat,classLabelVector

测试解析函数文件file2matrix( )

#测试
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
    print(" datingDataMat \n " , datingDataMat," \n")
    print(" datingLabels \n" , datingLabels[0:20])

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70][]

4.2.2  分析数据：使用Matplotlib创建散点图

在 .py文件开头导入包

import matplotlib
    import matplotlib.pyplot as plt

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

散点图使用datingDataMat矩阵的第二、三列数据，分别表示特征值“玩视频游戏所耗时间比”

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 1][]

4.2.3  准备数据：归一化数值

方程中数字差值最大的属性对计算结果的影响最大，但这三种特征是同等重要的，因此作为三个等权重的特征之一，飞行常客里程数不应该如此严重地影响到计算结果。处理这种不同取值范围的特征时，我们采用的方法是将数值归一化，如将取值范围处理为 0 到 1 或者 -1 到 1 之间。下面公式可以将任意取值范围的特征值转化为 0 到 1 区间内的值：

![\{\\color\{Magenta\} \}newValue = (oldValue - min) / (max - min)][color_Magenta_ _newValue _ _oldValue - min_ _ _max - min]

其中min 和 max 分别是数据集中的最小特征值和最大特征值。

归一化特征值函数代码：

#该函数可以将数字特征值转化为0到1的区间
    def autoNorm(dataSet):
        #a.min()返回的就是a中所有元素的最小值
        #a.min(0)返回的就是a的每列最小值
        #a.min(1)返回的是a的每行最小值
        minVals = dataSet.min(0)
        maxVals = dataSet.max(0)
        ranges = maxVals - minVals
        #生成一个和数据集相同大小的矩阵
        normDataSet = zeros(shape(dataSet))
        #获取数据集行数
        m = dataSet.shape[0]
        normDataSet = dataSet - tile(minVals, (m,1))
        #特征值相除
        normDataSet = normDataSet/tile(ranges, (m,1))
        return normDataSet, ranges, minVals
    
    #测试函数
    normMat, ranges, minVals = autoNorm(datingDataMat)
    print("normMat: \n", normMat,"\n ")
    print("ranges: \n", ranges," \n ")
    print("minVals: \n", minVals)

测试结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 2][]

4.2.4  测试算法：作为完整程序验证分类器

测试代码:

#测试分类器的效果函数
    def datingClassTest():
        hoRatio = 0.10
        datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
        normMat, ranges, minVals = autoNorm(datingDataMat)
        #获取数据集的行数
        m = normMat.shape[0]
        numTestVecs = int(m*hoRatio)
        errorCount = 0.0
        for i in range(numTestVecs):
            # "\" 换行符
            classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],\
                           datingLabels[numTestVecs:m], 20)
            print("the classsifier came back with: %d, the real answer is: %d"\
                           %(classifierResult,datingLabels[i]))
            if(classifierResult != datingLabels[i]): errorCount +=1.0
        print("the total error rate is:%f" % (errorCount/float(numTestVecs)))
    
    datingClassTest()   #测试分类器的正确率 测试算法

测试结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 3][]

分类器处理约会数据集的错误率是 6%。

4.2.5  使用算法：构建完整可用系统

约会网站预测函数代码:

#使用算法
    def classifyPerson():
        resultList = ['not at all', 'in small doses', 'in large doses']
        # \ 为换行符
        percentTats = float(input(\
                      "percentage of time spent playing video games?"))
        ffMiles = float(input("frequent flier miles earned per year?"))
        iceCream = float(input ("liters of ice creamm consumed per year?"))
        datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
        normMat, ranges, minVals = autoNorm(datingDataMat)
        inArr = array([ffMiles, percentTats, iceCream])
        classifierResult = classify0((inArr-\
                           minVals)/ranges, normMat, datingLabels, 3)
        print("You will probably like this person: ",\
                resultList[classifierResult - 1])
    classifyPerson()

测试结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 4][]

### 5. k-近邻算法示例2 ###

示例2：手写识别系统

5.1 基本流程：

(1)  收集数据：提供文本文件。

(2)  准备数据：编写函数img2vector(),将图像格式转化为分类器使用的向量格式。

(3)  分析数据：在python命令行中检查数据，确保它符合要求。

(4)  训练算法：此步骤不适用于K-近邻算法。

(5)  测试算法：编写函数使用提供的部分数据集作为测试样本。 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。

(6)  使用算法：本列没有此步骤，若你感兴趣你可以用此算法去完成 [kaggle 上的 Digital Recognition（数字识别）][kaggle _ Digital Recognition]题目。

5.2.1  准备数据：将图像转化为测试向量

转化函数代码:

"""
    手写数据集 准备数据：将图像转换为测试向量
    """
    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])
        #返回数组
        return returnVect
    #测试函数
    testVector = img2vector('testDigits/0_13.txt')
    print(testVector[0,0:22])

测试结果：

![20190309113349564.png][]

5.2.2  测试算法：使用k-近邻算法识别手写数字

测试函数：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 5][]

错误率为 1.2%。

[GitHub]: https://github.com/BornTW/newUser
[20190308150222100.png]: /images/20220311/7c58cc49a34141b6a3fe376c5c5d4016.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70]: /images/20220311/68d93567d3974410a58b3f10d53e3045.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 1]: /images/20220311/96e9751ffc1b4e8c8f2b6ad06672504a.png
[color_Magenta_ _newValue _ _oldValue - min_ _ _max - min]: https://private.codecogs.com/gif.latex?%7B%5Ccolor%7BMagenta%7D%20%7DnewValue%20%3D%20%28oldValue%20-%20min%29%20/%20%28max%20-%20min%29
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 2]: /images/20220311/af356ce340434286a3bf3a6039ebe0f2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 3]: /images/20220311/7419fe1298d04af09177272fc57b0b9e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 4]: /images/20220311/1cce123ac6ac4c759c46fba56b0509b0.png
[kaggle _ Digital Recognition]: https://www.kaggle.com/c/digit-recognizer
[20190309113349564.png]: /images/20220311/86076f464c3347719d266d80879702f1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDkxNjY0MQ_size_16_color_FFFFFF_t_70 5]: /images/20220311/f8b85146d6ac41d6b61cfb46698bb5ef.png