纯python实现机器学习之kNN算法示例


            前面文章分别简单介绍了线性回归，逻辑回归，贝叶斯分类，并且用python简单实现。这篇文章介绍更简单的 knn， k-近邻算法（kNN，k-NearestNeighbor）。



k-近邻算法（kNN，k-NearestNeighbor），是最简单的机器学习分类算法之一，其核心思想在于用距离目标最近的k个样本数据的分类来代表目标的分类（这k个样本数据和目标数据最为相似）。



原理



kNN算法的核心思想是用距离最近(多种衡量距离的方式)的k个样本数据来代表目标数据的分类。



具体讲，存在训练样本集， 每个样本都包含数据特征和所属分类值。



输入新的数据，将该数据和训练样本集汇中每一个样本比较，找到距离最近的k个，在k个数据中，出现次数做多的那个分类，即可作为新数据的分类。



如上图：



需要判断绿色是什么形状。当k等于3时，属于三角。当k等于5是，属于方形。



因此该方法具有一下特点：



  监督学习：训练样本集中含有分类信息

  算法简单， 易于理解实现

  结果收到k值的影响，k一般不超过20.

  计算量大，需要计算与样本集中每个样本的距离。

  训练样本集不平衡导致结果不准确问题



接下来用oython 做个简单实现， 并且尝试用于约会网站配对。



python简单实现







def classify(inX, dataSet, labels, k):

  """

  定义knn算法分类器函数

  :param inX: 测试数据

  :param dataSet: 训练数据

  :param labels: 分类类别

  :param k: k值

  :return: 所属分类

  """



  dataSetSize = dataSet.shape[0] #shape（m, n）m列n个特征

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

  sqDiffMat = diffMat ** 2

  sqDistances = sqDiffMat.sum(axis=1)

  distances = sqDistances ** 0.5 #欧式距离

  sortedDistIndicies = distances.argsort() #排序并返回index



  classCount = {}

  for i in range(k):

    voteIlabel = labels[sortedDistIndicies[i]]

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



  sortedClassCount = sorted(classCount.items(), key=lambda d:d[1], reverse=True)

  return sortedClassCount[0][0]



算法的步骤上面有详细的介绍，上面的计算是矩阵运算，下面一个函数是代数运算，做个比较理解。







def classify_two(inX, dataSet, labels, k):

  m, n = dataSet.shape  # shape（m, n）m列n个特征

  # 计算测试数据到每个点的欧式距离

  distances = []

  for i in range(m):

    sum = 0

    for j in range(n):

      sum += (inX[j] - dataSet[i][j]) ** 2

    distances.append(sum ** 0.5)



  sortDist = sorted(distances)



  # k 个最近的值所属的类别

  classCount = {}

  for i in range(k):

    voteLabel = labels[ distances.index(sortDist[i])]

    classCount[voteLabel] = classCount.get(voteLabel, 0) + 1 # 0:map default

  sortedClass = sorted(classCount.items(), key=lambda d:d[1], reverse=True)

  return sortedClass[0][0]







有了上面的分类器，下面进行最简单的实验来预测一下：







def createDataSet():

  group = np.array([[1, 1.1], [1, 1], [0, 0], [0, 0.1]])

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

  return group, labels





上面是一个简单的训练样本集。







if __name__ == '__main__':

  dataSet, labels = createDataSet()

  r = classify_two([0, 0.2], dataSet, labels, 3)

  print(r)





执行上述函数：可以看到输出B， [0 ,0.2]应该归入b类。



上面就是一个最简单的kNN分类器，下面有个例子。

kNN用于判断婚恋网站中人的受欢迎程度



训练样本集中部分数据如下：







40920 8.326976 0.953952 3

14488 7.153469 1.673904 2

26052 1.441871 0.805124 1

75136 13.147394 0.428964 1

38344 1.669788 0.134296 1



第一列表示每年获得的飞行常客里程数， 第二列表示玩视频游戏所耗时间百分比， 第三类表示每周消费的冰淇淋公升数。第四列表示分类结果，1， 2， 3 分别是 不喜欢，魅力一般，极具魅力。

将数据转换成numpy。





# 文本转换成numpy

def file2matrix(filepath="datingSet.csv"):

  dataSet = np.loadtxt(filepath)

  returnMat = dataSet[:, 0:-1]

  classlabelVector = dataSet[:, -1:]

  return returnMat, classlabelVector







首先对数据有个感知，知道是哪些特征影响分类，进行可视化数据分析。





# 2， 3列数据进行分析

def show_2_3_fig():

  data, cls = file2matrix()

  fig = plt.figure()

  ax = fig.add_subplot(111)

  ax.scatter(data[:, 1], data[: ,2], c=cls)

  plt.xlabel("playing game")

  plt.ylabel("Icm Cream")

  plt.show()





如上图可以看到并无明显的分类。





可以看到不同的人根据特征有明显的区分。因此可以使用kNN算法来进行分类和预测。

由于后面要用到距离比较，因此数据之前的影响较大， 比如飞机里程和冰淇淋数目之间的差距太大。因此需要对数据进行归一化处理。





# 数据归一化

def autoNorm(dataSet):

  minVal = dataSet.min(0)

  maxVal = dataSet.max(0)

  ranges = maxVal - minVal



  normDataSet = np.zeros(dataSet.shape)

  m, n = dataSet.shape # 行， 特征

  normDataSet = dataSet - minVal

  normDataSet = normDataSet / ranges

  return normDataSet, ranges, minVal







衡量算法的准确性



knn算法可以用正确率或者错误率来衡量。错误率为0，表示分类很好。



因此可以将训练样本中的10%用于测试，90%用于训练。





# 定义测试算法的函数

def datingClassTest(h=0.1):

  hoRatio = h

  datingDataMat, datingLabels = file2matrix()

  normMat, ranges, minVals = autoNorm(datingDataMat)

  m, n = normMat.shape

  numTestVecs = int(m * hoRatio) #测试数据行数

  errorCount = 0 # 错误分类数





  # 用前10%的数据做测试

  for i in range(numTestVecs):

    classifierResult = classify(normMat[i, :], normMat[numTestVecs:m, :], datingLabels[numTestVecs:m], 3)

    # print('the classifier came back with: %d,the real answer is: %d' % (int(classifierResult), int(datingLabels[i])))

    if classifierResult != datingLabels[i]:

      errorCount += 1

  print("the total error rate is: %f" % (errorCount / float(numTestVecs)))







调整不同的测试比例，对比结果。

使用knn进行预测。



有了训练样本和分类器，对新数据可以进行预测。模拟数据并进行预测如下：





# 简单进行预测

def classifypersion():

  resultList = ["none", 'not at all','in small doses','in large doses']

  # 模拟数据

  ffmiles = 15360

  playing_game = 8.545204

  ice_name = 1.340429



  datingDataMat, datingLabels = file2matrix()

  normMat, ranges, minVals = autoNorm(datingDataMat)

  inArr = np.array([ffmiles, playing_game, ice_name])

  # 预测数据归一化

  inArr = (inArr - minVals) / ranges

  classifierResult = classify(inArr, normMat, datingLabels, 3)

  print(resultList[int(classifierResult)])







可以看到基本的得到所属的分类。



完成代码和数据请参考：



github:kNN 



总结



  kNN

  监督学习

  数据可视化

  数据归一化，不影响计算



以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持中文源码网。