机器学习实战 订阅
《机器学习实战》是2013年人民邮电出版社出版的图书,作者是Peter Harrington。 [1] 展开全文
《机器学习实战》是2013年人民邮电出版社出版的图书,作者是Peter Harrington。 [1]
信息
页    数
332
作    者
Peter Harrington
译    者
李锐 李鹏 曲亚东  王斌
定    价
69.00元
书    名
机器学习实战
出版时间
2013-6
出版社
人民邮电出版社
原作名
Machine Learning in Action
ISBN
9787115317957
机器学习实战内容简介
机器学习是人工智能研究领域中一个极其重要的研究方向,在现今的大数据时代背景下,捕获数据并从中萃取有价值的信息或模式,成为各行业求生存、谋发展的决定性手段,这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。本书第一部分主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树(CART)算法等。第三部分则重点介绍无监督学习及其一些主要算法:k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。全书通过精心编排的实例,切入日常工作任务,摒弃学术化语言,利用高效的可复用Python代码来阐释如何处理统计数据,进行数据分析及可视化。通过各种实例,读者可从中学会机器学习的核心算法,并能将其运用于一些策略性任务中,如分类、预测、推荐。另外,还可用它们来实现一些更高级的功能,如汇总和简化等。
收起全文
精华内容
参与话题
问答
  • 本文将从k-邻近算法的思想开始讲起,使用python3一步一步编写代码进行实战训练。并且,我也提供了相应的数据集,对代码进行了详细的注释。除此之外,本文也对sklearn实现k-邻近算法的方法进行了讲解。实战实例:电影...

    **转载请注明作者和出处:**http://blog.csdn.net/c406495762
    运行平台: Windows
    Python版本: Python3.x
    IDE: Sublime text3
    个人网站:http://cuijiahua.com


    #一 简单k-近邻算法

        本文将从k-邻近算法的思想开始讲起,使用python3一步一步编写代码进行实战训练。并且,我也提供了相应的数据集,对代码进行了详细的注释。除此之外,本文也对sklearn实现k-邻近算法的方法进行了讲解。实战实例:电影类别分类、约会网站配对效果判定、手写数字识别。

        本文出现的所有代码和数据集,均可在我的github上下载,欢迎Follow、Star:https://github.com/Jack-Cherish/Machine-Learning/tree/master/kNN

    更多精彩内容,尽在微信公众号,欢迎您的关注:

    在这里插入图片描述

    1.1 k-近邻法简介

        k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是:存在一个样本数据集合,也称作为训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后,将新的数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。

        举个简单的例子,我们可以使用k-近邻算法分类一个电影是爱情片还是动作片。

    电影名称 打斗镜头 接吻镜头 电影类型
    电影1 1 101 爱情片
    电影2 5 89 爱情片
    电影3 108 5 动作片
    电影4 115 8 动作片

    表1.1 每部电影的打斗镜头数、接吻镜头数以及电影类型

        表1.1就是我们已有的数据集合,也就是训练样本集。这个数据集有两个特征,即打斗镜头数和接吻镜头数。除此之外,我们也知道每个电影的所属类型,即分类标签。用肉眼粗略地观察,接吻镜头多的,是爱情片。打斗镜头多的,是动作片。以我们多年的看片经验,这个分类还算合理。如果现在给我一部电影,你告诉我这个电影打斗镜头数和接吻镜头数。不告诉我这个电影类型,我可以根据你给我的信息进行判断,这个电影是属于爱情片还是动作片。而k-近邻算法也可以像我们人一样做到这一点,不同的地方在于,我们的经验更"牛逼",而k-邻近算法是靠已有的数据。比如,你告诉我这个电影打斗镜头数为2,接吻镜头数为102,我的经验会告诉你这个是爱情片,k-近邻算法也会告诉你这个是爱情片。你又告诉我另一个电影打斗镜头数为49,接吻镜头数为51,我"邪恶"的经验可能会告诉你,这有可能是个"爱情动作片",画面太美,我不敢想象。 (如果说,你不知道"爱情动作片"是什么?请评论留言与我联系,我需要你这样像我一样纯洁的朋友。) 但是k-近邻算法不会告诉你这些,因为在它的眼里,电影类型只有爱情片和动作片,它会提取样本集中特征最相似数据(最邻近)的分类标签,得到的结果可能是爱情片,也可能是动作片,但绝不会是"爱情动作片"。当然,这些取决于数据集的大小以及最近邻的判断标准等因素。

    1.2 距离度量

        我们已经知道k-近邻算法根据特征比较,然后提取样本集中特征最相似数据(最邻近)的分类标签。那么,如何进行比较呢?比如,我们还是以表1.1为例,怎么判断红色圆点标记的电影所属的类别呢?如图1.1所示。

    图1.1 电影分类

        我们可以从散点图大致推断,这个红色圆点标记的电影可能属于动作片,因为距离已知的那两个动作片的圆点更近。k-近邻算法用什么方法进行判断呢?没错,就是距离度量。这个电影分类的例子有2个特征,也就是在2维实数向量空间,可以使用我们高中学过的两点距离公式计算距离,如图1.2所示。

    图1.2 两点距离公式

        通过计算,我们可以得到如下结果:

    • (101,20)->动作片(108,5)的距离约为16.55
    • (101,20)->动作片(115,8)的距离约为18.44
    • (101,20)->爱情片(5,89)的距离约为118.22
    • (101,20)->爱情片(1,101)的距离约为128.69

        通过计算可知,红色圆点标记的电影到动作片 (108,5)的距离最近,为16.55。如果算法直接根据这个结果,判断该红色圆点标记的电影为动作片,这个算法就是最近邻算法,而非k-近邻算法。那么k-邻近算法是什么呢?k-近邻算法步骤如下:

    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个点所出现频率最高的类别作为当前点的预测分类。

        比如,现在我这个k值取3,那么在电影例子中,按距离依次排序的三个点分别是动作片(108,5)、动作片(115,8)、爱情片(5,89)。在这三个点中,动作片出现的频率为三分之二,爱情片出现的频率为三分之一,所以该红色圆点标记的电影为动作片。这个判别过程就是k-近邻算法。

    ##1.3 Python3代码实现

        我们已经知道了k-近邻算法的原理,那么接下来就是使用Python3实现该算法,依然以电影分类为例。

    1.3.1 准备数据集

        对于表1.1中的数据,我们可以使用numpy直接创建,代码如下:

    # -*- coding: UTF-8 -*-
    import numpy as np
    
    """
    函数说明:创建数据集
    
    Parameters:
        无
    Returns:
        group - 数据集
        labels - 分类标签
    Modify:
        2017-07-13
    """
    def createDataSet():
        #四组二维特征
        group = np.array([[1,101],[5,89],[108,5],[115,8]])
        #四组特征的标签
        labels = ['爱情片','爱情片','动作片','动作片']
        return group, labels
    if __name__ == '__main__':
        #创建数据集
        group, labels = createDataSet()
        #打印数据集
        print(group)
        print(labels)
    

        运行结果,如图1.3所示:

    图1.3 运行结果

    ###1.3.2 k-近邻算法

        根据两点距离公式,计算距离,选择距离最小的前k个点,并返回分类结果。

    # -*- coding: UTF-8 -*-
    import numpy as np
    import operator
    
    """
    函数说明:kNN算法,分类器
    
    Parameters:
        inX - 用于分类的数据(测试集)
        dataSet - 用于训练的数据(训练集)
        labes - 分类标签
        k - kNN算法参数,选择距离最小的k个点
    Returns:
        sortedClassCount[0][0] - 分类结果
    
    Modify:
        2017-07-13
    """
    def classify0(inX, dataSet, labels, k):
        #numpy函数shape[0]返回dataSet的行数
        dataSetSize = dataSet.shape[0]
        #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
        diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
        #二维特征相减后平方
        sqDiffMat = diffMat**2
        #sum()所有元素相加,sum(0)列相加,sum(1)行相加
        sqDistances = sqDiffMat.sum(axis=1)
        #开方,计算出距离
        distances = sqDistances**0.5
        #返回distances中元素从小到大排序后的索引值
        sortedDistIndices = distances.argsort()
        #定一个记录类别次数的字典
        classCount = {}
        for i in range(k):
            #取出前k个元素的类别
            voteIlabel = labels[sortedDistIndices[i]]
            #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
            #计算类别次数
            classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        #python3中用items()替换python2中的iteritems()
        #key=operator.itemgetter(1)根据字典的值进行排序
        #key=operator.itemgetter(0)根据字典的键进行排序
        #reverse降序排序字典
        sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
        #返回次数最多的类别,即所要分类的类别
        return sortedClassCount[0][0]
    

    ###1.3.3 整体代码

        这里预测红色圆点标记的电影(101,20)的类别,K-NN的k值为3。创建kNN_test01.py文件,编写代码如下:

    # -*- coding: UTF-8 -*-
    import numpy as np
    import operator
    
    """
    函数说明:创建数据集
    
    Parameters:
        无
    Returns:
        group - 数据集
        labels - 分类标签
    Modify:
        2017-07-13
    """
    def createDataSet():
        #四组二维特征
        group = np.array([[1,101],[5,89],[108,5],[115,8]])
        #四组特征的标签
        labels = ['爱情片','爱情片','动作片','动作片']
        return group, labels
    
    """
    函数说明:kNN算法,分类器
    
    Parameters:
        inX - 用于分类的数据(测试集)
        dataSet - 用于训练的数据(训练集)
        labes - 分类标签
        k - kNN算法参数,选择距离最小的k个点
    Returns:
        sortedClassCount[0][0] - 分类结果
    
    Modify:
        2017-07-13
    """
    def classify0(inX, dataSet, labels, k):
        #numpy函数shape[0]返回dataSet的行数
        dataSetSize = dataSet.shape[0]
        #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
        diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
        #二维特征相减后平方
        sqDiffMat = diffMat**2
        #sum()所有元素相加,sum(0)列相加,sum(1)行相加
        sqDistances = sqDiffMat.sum(axis=1)
        #开方,计算出距离
        distances = sqDistances**0.5
        #返回distances中元素从小到大排序后的索引值
        sortedDistIndices = distances.argsort()
        #定一个记录类别次数的字典
        classCount = {}
        for i in range(k):
            #取出前k个元素的类别
            voteIlabel = labels[sortedDistIndices[i]]
            #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
            #计算类别次数
            classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        #python3中用items()替换python2中的iteritems()
        #key=operator.itemgetter(1)根据字典的值进行排序
        #key=operator.itemgetter(0)根据字典的键进行排序
        #reverse降序排序字典
        sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
        #返回次数最多的类别,即所要分类的类别
        return sortedClassCount[0][0]
    
    if __name__ == '__main__':
        #创建数据集
        group, labels = createDataSet()
        #测试集
        test = [101,20]
        #kNN分类
        test_class = classify0(test, group, labels, 3)
        #打印分类结果
        print(test_class)
    

        运行结果,如图1.4所示:

    图1.4 运行结果

        可以看到,分类结果根据我们的"经验",是正确的,尽管这种分类比较耗时,用时1.4s。

        到这里,也许有人早已经发现,电影例子中的特征是2维的,这样的距离度量可以用两 点距离公式计算,但是如果是更高维的呢?对,没错。我们可以用欧氏距离(也称欧几里德度量),如图1.5所示。我们高中所学的两点距离公式就是欧氏距离在二维空间上的公式,也就是欧氏距离的n的值为2的情况。

    图1.5 欧氏距离公式

        看到这里,有人可能会问:“分类器何种情况下会出错?”或者“答案是否总是正确的?”答案是否定的,分类器并不会得到百分百正确的结果,我们可以使用多种方法检测分类器的正确率。此外分类器的性能也会受到多种因素的影响,如分类器设置和数据集等。不同的算法在不同数据集上的表现可能完全不同。为了测试分类器的效果,我们可以使用已知答案的数据,当然答案不能告诉分类器,检验分类器给出的结果是否符合预期结果。通过大量的测试数据,我们可以得到分类器的错误率-分类器给出错误结果的次数除以测试执行的总数。错误率是常用的评估方法,主要用于评估分类器在某个数据集上的执行效果。完美分类器的错误率为0,最差分类器的错误率是1.0。同时,我们也不难发现,k-近邻算法没有进行数据的训练,直接使用未知的数据与已知的数据进行比较,得到结果。因此,可以说k-邻近算法不具有显式的学习过程。


    二 k-近邻算法实战之约会网站配对效果判定

        上一小结学习了简单的k-近邻算法的实现方法,但是这并不是完整的k-近邻算法流程,k-近邻算法的一般流程:

    1. 收集数据:可以使用爬虫进行数据的收集,也可以使用第三方提供的免费或收费的数据。一般来讲,数据放在txt文本文件中,按照一定的格式进行存储,便于解析及处理。
    2. 准备数据:使用Python解析、预处理数据。
    3. 分析数据:可以使用很多方法对数据进行分析,例如使用Matplotlib将数据可视化。
    4. 测试算法:计算错误率。
    5. 使用算法:错误率在可接受范围内,就可以运行k-近邻算法进行分类。

        已经了解了k-近邻算法的一般流程,下面开始进入实战内容。

    ##2.1 实战背景

        海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选,但她并不是喜欢每一个人。经过一番总结,她发现自己交往过的人可以进行如下分类:

    • 不喜欢的人
    • 魅力一般的人
    • 极具魅力的人

        海伦收集约会数据已经有了一段时间,她把这些数据存放在文本文件datingTestSet.txt中,每个样本数据占据一行,总共有1000行。

        datingTestSet.txt数据下载

        海伦收集的样本数据主要包含以下3种特征:

    • 每年获得的飞行常客里程数
    • 玩视频游戏所消耗时间百分比
    • 每周消费的冰淇淋公升数

        这里不得不吐槽一句,海伦是个小吃货啊,冰淇淋公斤数都影响自己择偶标准。打开txt文本文件,数据格式如图2.1所示。

    图2.1 datingTestSet.txt格式

    ##2.2 准备数据:数据解析

        在将上述特征数据输入到分类器前,必须将待处理的数据的格式改变为分类器可以接收的格式。分类器接收的数据是什么格式的?从上小结已经知道,要将数据分类两部分,即特征矩阵和对应的分类标签向量。在kNN_test02.py文件中创建名为file2matrix的函数,以此来处理输入格式问题。 将datingTestSet.txt放到与kNN_test02.py相同目录下,编写代码如下:

    # -*- coding: UTF-8 -*-
    import numpy as np
    """
    函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
    
    Parameters:
        filename - 文件名
    Returns:
        returnMat - 特征矩阵
        classLabelVector - 分类Label向量
    
    Modify:
        2017-03-24
    """
    def file2matrix(filename):
        #打开文件
        fr = open(filename)
        #读取文件所有内容
        arrayOLines = fr.readlines()
        #得到文件行数
        numberOfLines = len(arrayOLines)
        #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
        returnMat = np.zeros((numberOfLines,3))
        #返回的分类标签向量
        classLabelVector = []
        #行的索引值
        index = 0
        for line in arrayOLines:
            #s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
            line = line.strip()
            #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
            listFromLine = line.split('\t')
            #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
            returnMat[index,:] = listFromLine[0:3]
            #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
            if listFromLine[-1] == 'didntLike':
                classLabelVector.append(1)
            elif listFromLine[-1] == 'smallDoses':
                classLabelVector.append(2)
            elif listFromLine[-1] == 'largeDoses':
                classLabelVector.append(3)
            index += 1
        return returnMat, classLabelVector
    
    """
    函数说明:main函数
    
    Parameters:
        无
    Returns:
        无
    
    Modify:
        2017-03-24
    """
    if __name__ == '__main__':
        #打开的文件名
        filename = "datingTestSet.txt"
        #打开并处理数据
        datingDataMat, datingLabels = file2matrix(filename)
        print(datingDataMat)
        print(datingLabels)
    

        运行上述代码,得到的数据解析结果如图2.2所示。

    图2.2 数据解析结果

        可以看到,我们已经顺利导入数据,并对数据进行解析,格式化为分类器需要的数据格式。接着我们需要了解数据的真正含义。可以通过友好、直观的图形化的方式观察数据。

    ##2.3 分析数据:数据可视化

        在kNN_test02.py文件中编写名为showdatas的函数,用来将数据可视化。编写代码如下:

    # -*- coding: UTF-8 -*-
    
    from matplotlib.font_manager import FontProperties
    import matplotlib.lines as mlines
    import matplotlib.pyplot as plt
    import numpy as np
    
    """
    函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
    
    Parameters:
        filename - 文件名
    Returns:
        returnMat - 特征矩阵
        classLabelVector - 分类Label向量
    
    Modify:
        2017-03-24
    """
    def file2matrix(filename):
        #打开文件
        fr = open(filename)
        #读取文件所有内容
        arrayOLines = fr.readlines()
        #得到文件行数
        numberOfLines = len(arrayOLines)
        #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
        returnMat = np.zeros((numberOfLines,3))
        #返回的分类标签向量
        classLabelVector = []
        #行的索引值
        index = 0
        for line in arrayOLines:
            #s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
            line = line.strip()
            #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
            listFromLine = line.split('\t')
            #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
            returnMat[index,:] = listFromLine[0:3]
            #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
            if listFromLine[-1] == 'didntLike':
                classLabelVector.append(1)
            elif listFromLine[-1] == 'smallDoses':
                classLabelVector.append(2)
            elif listFromLine[-1] == 'largeDoses':
                classLabelVector.append(3)
            index += 1
        return returnMat, classLabelVector
    
    """
    函数说明:可视化数据
    
    Parameters:
        datingDataMat - 特征矩阵
        datingLabels - 分类Label
    Returns:
        无
    Modify:
        2017-03-24
    """
    def showdatas(datingDataMat, datingLabels):
        #设置汉字格式
        font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
        #将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
        #当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
        fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))
    
        numberOfLabels = len(datingLabels)
        LabelsColors = []
        for i in datingLabels:
            if i == 1:
                LabelsColors.append('black')
            if i == 2:
                LabelsColors.append('orange')
            if i == 3:
                LabelsColors.append('red')
        #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
        axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
        #设置标题,x轴label,y轴label
        axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比',FontProperties=font)
        axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)
        axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占',FontProperties=font)
        plt.setp(axs0_title_text, size=9, weight='bold', color='red') 
        plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black') 
        plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')
    
        #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
        axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
        #设置标题,x轴label,y轴label
        axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数',FontProperties=font)
        axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)
        axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)
        plt.setp(axs1_title_text, size=9, weight='bold', color='red') 
        plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black') 
        plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')
    
        #画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
        axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
        #设置标题,x轴label,y轴label
        axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数',FontProperties=font)
        axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比',FontProperties=font)
        axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)
        plt.setp(axs2_title_text, size=9, weight='bold', color='red') 
        plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black') 
        plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')
        #设置图例
        didntLike = mlines.Line2D([], [], color='black', marker='.',
                          markersize=6, label='didntLike')
        smallDoses = mlines.Line2D([], [], color='orange', marker='.',
                          markersize=6, label='smallDoses')
        largeDoses = mlines.Line2D([], [], color='red', marker='.',
                          markersize=6, label='largeDoses')
        #添加图例
        axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
        axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
        axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
        #显示图片
        plt.show()
    
    """
    函数说明:main函数
    
    Parameters:
        无
    Returns:
        无
    
    Modify:
        2017-03-24
    """
    if __name__ == '__main__':
        #打开的文件名
        filename = "datingTestSet.txt"
        #打开并处理数据
        datingDataMat, datingLabels = file2matrix(filename)
        showdatas(datingDataMat, datingLabels)
    

        运行上述代码,可以看到可视化结果如图2.3所示。

    图2.3 数据可视化结果 [点击查看大图](https://img-blog.csdn.net/20170715153336117?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYzQwNjQ5NTc2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

        通过数据可以很直观的发现数据的规律,比如以玩游戏所消耗时间占比与每年获得的飞行常客里程数,只考虑这二维的特征信息,给我的感觉就是海伦喜欢有生活质量的男人。为什么这么说呢?每年获得的飞行常客里程数表明,海伦喜欢能享受飞行常客奖励计划的男人,但是不能经常坐飞机,疲于奔波,满世界飞。同时,这个男人也要玩视频游戏,并且占一定时间比例。能到处飞,又能经常玩游戏的男人是什么样的男人?很显然,有生活质量,并且生活悠闲的人。我的分析,仅仅是通过可视化的数据总结的个人看法。我想,每个人的感受应该也是不尽相同。

    ##2.4 准备数据:数据归一化

        表2.1给出了四组样本,如果想要计算样本3和样本4之间的距离,可以使用欧拉公式计算。

    | 样本 | 玩游戏所耗时间百分比 | 每年获得的飞行常用里程数 | 每周消费的冰淇淋公升数 | 样本分类 |
    | :---------: |:---------😐 :---------😐:---------😐
    | 1 | 0.8 | 400 | 0.5 | 1 |
    | 2 | 12 | 134000 | 0.9 | 3 |
    | 3 | 0 | 20000 | 1.1 | 2 |
    | 4 | 67 | 32000 | 0.1 | 2 |

    表2.1 约会网站样本数据

        计算方法如图2.4所示。

    图2.4 计算公式

        我们很容易发现,上面方程中数字差值最大的属性对计算结果的影响最大,也就是说,每年获取的飞行常客里程数对于计算结果的影响将远远大于表2.1中其他两个特征-玩视频游戏所耗时间占比和每周消费冰淇淋公斤数的影响。而产生这种现象的唯一原因,仅仅是因为飞行常客里程数远大于其他特征值。但海伦认为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,飞行常客里程数并不应该如此严重地影响到计算结果。

        在处理这种不同取值范围的特征值时,我们通常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。下面的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:

    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。虽然改变数值取值范围增加了分类器的复杂度,但为了得到准确结果,我们必须这样做。在kNN_test02.py文件中编写名为autoNorm的函数,用该函数自动将数据归一化。代码如下:

    # -*- coding: UTF-8 -*-
    import numpy as np
    
    """
    函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
    
    Parameters:
        filename - 文件名
    Returns:
        returnMat - 特征矩阵
        classLabelVector - 分类Label向量
    
    Modify:
        2017-03-24
    """
    def file2matrix(filename):
        #打开文件
        fr = open(filename)
        #读取文件所有内容
        arrayOLines = fr.readlines()
        #得到文件行数
        numberOfLines = len(arrayOLines)
        #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
        returnMat = np.zeros((numberOfLines,3))
        #返回的分类标签向量
        classLabelVector = []
        #行的索引值
        index = 0
        for line in arrayOLines:
            #s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
            line = line.strip()
            #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
            listFromLine = line.split('\t')
            #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
            returnMat[index,:] = listFromLine[0:3]
            #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
            if listFromLine[-1] == 'didntLike':
                classLabelVector.append(1)
            elif listFromLine[-1] == 'smallDoses':
                classLabelVector.append(2)
            elif listFromLine[-1] == 'largeDoses':
                classLabelVector.append(3)
            index += 1
        return returnMat, classLabelVector
    
    """
    函数说明:对数据进行归一化
    
    Parameters:
        dataSet - 特征矩阵
    Returns:
        normDataSet - 归一化后的特征矩阵
        ranges - 数据范围
        minVals - 数据最小值
    
    Modify:
        2017-03-24
    """
    def autoNorm(dataSet):
        #获得数据的最小值
        minVals = dataSet.min(0)
        maxVals = dataSet.max(0)
        #最大值和最小值的范围
        ranges = maxVals - minVals
        #shape(dataSet)返回dataSet的矩阵行列数
        normDataSet = np.zeros(np.shape(dataSet))
        #返回dataSet的行数
        m = dataSet.shape[0]
        #原始值减去最小值
        normDataSet = dataSet - np.tile(minVals, (m, 1))
        #除以最大和最小值的差,得到归一化数据
        normDataSet = normDataSet / np.tile(ranges, (m, 1))
        #返回归一化数据结果,数据范围,最小值
        return normDataSet, ranges, minVals
    
    """
    函数说明:main函数
    
    Parameters:
        无
    Returns:
        无
    
    Modify:
        2017-03-24
    """
    if __name__ == '__main__':
        #打开的文件名
        filename = "datingTestSet.txt"
        #打开并处理数据
        datingDataMat, datingLabels = file2matrix(filename)
        normDataSet, ranges, minVals = autoNorm(datingDataMat)
        print(normDataSet)
        print(ranges)
        print(minVals)
    

        运行上述代码,得到结果如图2.5所示。

    图2.5 归一化函数运行结果

        从图2.5的运行结果可以看到,我们已经顺利将数据归一化了,并且求出了数据的取值范围和数据的最小值,这两个值是在分类的时候需要用到的,直接先求解出来,也算是对数据预处理了。

    ##2.5 测试算法:验证分类器

        机器学习算法一个很重要的工作就是评估算法的正确率,通常我们只提供已有数据的90%作为训练样本来训练分类器,而使用其余的10%数据去测试分类器,检测分类器的正确率。需要注意的是,10%的测试数据应该是随机选择的,由于海伦提供的数据并没有按照特定目的来排序,所以我么你可以随意选择10%数据而不影响其随机性。

        为了测试分类器效果,在kNN_test02.py文件中创建函数datingClassTest,编写代码如下:

    # -*- coding: UTF-8 -*-
    import numpy as np
    import operator
    
    """
    函数说明:kNN算法,分类器
    
    Parameters:
        inX - 用于分类的数据(测试集)
        dataSet - 用于训练的数据(训练集)
        labes - 分类标签
        k - kNN算法参数,选择距离最小的k个点
    Returns:
        sortedClassCount[0][0] - 分类结果
    
    Modify:
        2017-03-24
    """
    def classify0(inX, dataSet, labels, k):
        #numpy函数shape[0]返回dataSet的行数
        dataSetSize = dataSet.shape[0]
        #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
        diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
        #二维特征相减后平方
        sqDiffMat = diffMat**2
        #sum()所有元素相加,sum(0)列相加,sum(1)行相加
        sqDistances = sqDiffMat.sum(axis=1)
        #开方,计算出距离
        distances = sqDistances**0.5
        #返回distances中元素从小到大排序后的索引值
        sortedDistIndices = distances.argsort()
        #定一个记录类别次数的字典
        classCount = {}
        for i in range(k):
            #取出前k个元素的类别
            voteIlabel = labels[sortedDistIndices[i]]
            #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
            #计算类别次数
            classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        #python3中用items()替换python2中的iteritems()
        #key=operator.itemgetter(1)根据字典的值进行排序
        #key=operator.itemgetter(0)根据字典的键进行排序
        #reverse降序排序字典
        sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
        #返回次数最多的类别,即所要分类的类别
        return sortedClassCount[0][0]
    
    """
    函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
    
    Parameters:
        filename - 文件名
    Returns:
        returnMat - 特征矩阵
        classLabelVector - 分类Label向量
    
    Modify:
        2017-03-24
    """
    def file2matrix(filename):
        #打开文件
        fr = open(filename)
        #读取文件所有内容
        arrayOLines = fr.readlines()
        #得到文件行数
        numberOfLines = len(arrayOLines)
        #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
        returnMat = np.zeros((numberOfLines,3))
        #返回的分类标签向量
        classLabelVector = []
        #行的索引值
        index = 0
        for line in arrayOLines:
            #s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
            line = line.strip()
            #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
            listFromLine = line.split('\t')
            #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
            returnMat[index,:] = listFromLine[0:3]
            #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
            if listFromLine[-1] == 'didntLike':
                classLabelVector.append(1)
            elif listFromLine[-1] == 'smallDoses':
                classLabelVector.append(2)
            elif listFromLine[-1] == 'largeDoses':
                classLabelVector.append(3)
            index += 1
        return returnMat, classLabelVector
    
    """
    函数说明:对数据进行归一化
    
    Parameters:
        dataSet - 特征矩阵
    Returns:
        normDataSet - 归一化后的特征矩阵
        ranges - 数据范围
        minVals - 数据最小值
    
    Modify:
        2017-03-24
    """
    def autoNorm(dataSet):
        #获得数据的最小值
        minVals = dataSet.min(0)
        maxVals = dataSet.max(0)
        #最大值和最小值的范围
        ranges = maxVals - minVals
        #shape(dataSet)返回dataSet的矩阵行列数
        normDataSet = np.zeros(np.shape(dataSet))
        #返回dataSet的行数
        m = dataSet.shape[0]
        #原始值减去最小值
        normDataSet = dataSet - np.tile(minVals, (m, 1))
        #除以最大和最小值的差,得到归一化数据
        normDataSet = normDataSet / np.tile(ranges, (m, 1))
        #返回归一化数据结果,数据范围,最小值
        return normDataSet, ranges, minVals
    
    
    """
    函数说明:分类器测试函数
    
    Parameters:
        无
    Returns:
        normDataSet - 归一化后的特征矩阵
        ranges - 数据范围
        minVals - 数据最小值
    
    Modify:
        2017-03-24
    """
    def datingClassTest():
        #打开的文件名
        filename = "datingTestSet.txt"
        #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
        datingDataMat, datingLabels = file2matrix(filename)
        #取所有数据的百分之十
        hoRatio = 0.10
        #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
        normMat, ranges, minVals = autoNorm(datingDataMat)
        #获得normMat的行数
        m = normMat.shape[0]
        #百分之十的测试数据的个数
        numTestVecs = int(m * hoRatio)
        #分类错误计数
        errorCount = 0.0
    
        for i in range(numTestVecs):
            #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
            classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],
                datingLabels[numTestVecs:m], 4)
            print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))
            if classifierResult != datingLabels[i]:
                errorCount += 1.0
        print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))
    
    """
    函数说明:main函数
    
    Parameters:
        无
    Returns:
        无
    
    Modify:
        2017-03-24
    """
    if __name__ == '__main__':
        datingClassTest()
    

        运行上述代码,得到结果如图2.6所示。

    图2.6 验证分类器结果

        从图2.6验证分类器结果中可以看出,错误率是3%,这是一个想当不错的结果。我们可以改变函数datingClassTest内变量hoRatio和分类器k的值,检测错误率是否随着变量值的变化而增加。依赖于分类算法、数据集和程序设置,分类器的输出结果可能有很大的不同。

    ##2.6 使用算法:构建完整可用系统

        我们可以给海伦一个小段程序,通过该程序海伦会在约会网站上找到某个人并输入他的信息。程序会给出她对男方喜欢程度的预测值。

        在kNN_test02.py文件中创建函数classifyPerson,代码如下:

    # -*- coding: UTF-8 -*-
    
    import numpy as np
    import operator
    
    """
    函数说明:kNN算法,分类器
    
    Parameters:
        inX - 用于分类的数据(测试集)
        dataSet - 用于训练的数据(训练集)
        labes - 分类标签
        k - kNN算法参数,选择距离最小的k个点
    Returns:
        sortedClassCount[0][0] - 分类结果
    
    Modify:
        2017-03-24
    """
    def classify0(inX, dataSet, labels, k):
        #numpy函数shape[0]返回dataSet的行数
        dataSetSize = dataSet.shape[0]
        #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
        diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
        #二维特征相减后平方
        sqDiffMat = diffMat**2
        #sum()所有元素相加,sum(0)列相加,sum(1)行相加
        sqDistances = sqDiffMat.sum(axis=1)
        #开方,计算出距离
        distances = sqDistances**0.5
        #返回distances中元素从小到大排序后的索引值
        sortedDistIndices = distances.argsort()
        #定一个记录类别次数的字典
        classCount = {}
        for i in range(k):
            #取出前k个元素的类别
            voteIlabel = labels[sortedDistIndices[i]]
            #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
            #计算类别次数
            classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        #python3中用items()替换python2中的iteritems()
        #key=operator.itemgetter(1)根据字典的值进行排序
        #key=operator.itemgetter(0)根据字典的键进行排序
        #reverse降序排序字典
        sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
        #返回次数最多的类别,即所要分类的类别
        return sortedClassCount[0][0]
    
    
    """
    函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
    
    Parameters:
        filename - 文件名
    Returns:
        returnMat - 特征矩阵
        classLabelVector - 分类Label向量
    
    Modify:
        2017-03-24
    """
    def file2matrix(filename):
        #打开文件
        fr = open(filename)
        #读取文件所有内容
        arrayOLines = fr.readlines()
        #得到文件行数
        numberOfLines = len(arrayOLines)
        #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
        returnMat = np.zeros((numberOfLines,3))
        #返回的分类标签向量
        classLabelVector = []
        #行的索引值
        index = 0
        for line in arrayOLines:
            #s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
            line = line.strip()
            #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
            listFromLine = line.split('\t')
            #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
            returnMat[index,:] = listFromLine[0:3]
            #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
            if listFromLine[-1] == 'didntLike':
                classLabelVector.append(1)
            elif listFromLine[-1] == 'smallDoses':
                classLabelVector.append(2)
            elif listFromLine[-1] == 'largeDoses':
                classLabelVector.append(3)
            index += 1
        return returnMat, classLabelVector
    
    """
    函数说明:对数据进行归一化
    
    Parameters:
        dataSet - 特征矩阵
    Returns:
        normDataSet - 归一化后的特征矩阵
        ranges - 数据范围
        minVals - 数据最小值
    
    Modify:
        2017-03-24
    """
    def autoNorm(dataSet):
        #获得数据的最小值
        minVals = dataSet.min(0)
        maxVals = dataSet.max(0)
        #最大值和最小值的范围
        ranges = maxVals - minVals
        #shape(dataSet)返回dataSet的矩阵行列数
        normDataSet = np.zeros(np.shape(dataSet))
        #返回dataSet的行数
        m = dataSet.shape[0]
        #原始值减去最小值
        normDataSet = dataSet - np.tile(minVals, (m, 1))
        #除以最大和最小值的差,得到归一化数据
        normDataSet = normDataSet / np.tile(ranges, (m, 1))
        #返回归一化数据结果,数据范围,最小值
        return normDataSet, ranges, minVals
    
    """
    函数说明:通过输入一个人的三维特征,进行分类输出
    
    Parameters:
        无
    Returns:
        无
    
    Modify:
        2017-03-24
    """
    def classifyPerson():
        #输出结果
        resultList = ['讨厌','有些喜欢','非常喜欢']
        #三维特征用户输入
        precentTats = float(input("玩视频游戏所耗时间百分比:"))
        ffMiles = float(input("每年获得的飞行常客里程数:"))
        iceCream = float(input("每周消费的冰激淋公升数:"))
        #打开的文件名
        filename = "datingTestSet.txt"
        #打开并处理数据
        datingDataMat, datingLabels = file2matrix(filename)
        #训练集归一化
        normMat, ranges, minVals = autoNorm(datingDataMat)
        #生成NumPy数组,测试集
        inArr = np.array([precentTats, ffMiles, iceCream])
        #测试集归一化
        norminArr = (inArr - minVals) / ranges
        #返回分类结果
        classifierResult = classify0(norminArr, normMat, datingLabels, 3)
        #打印结果
        print("你可能%s这个人" % (resultList[classifierResult-1]))
    
    """
    函数说明:main函数
    
    Parameters:
        无
    Returns:
        无
    
    Modify:
        2017-03-24
    """
    if __name__ == '__main__':
        classifyPerson()
    

        在cmd中,运行程序,并输入数据(12,44000,0.5),预测结果是"你可能有些喜欢这个人",也就是这个人魅力一般。一共有三个档次:讨厌、有些喜欢、非常喜欢,对应着不喜欢的人、魅力一般的人、极具魅力的人。结果如图2.7所示。

    图2.7 预测结果


    #三 k-近邻算法实战之sklearn手写数字识别

    ##3.1 实战背景

        对于需要识别的数字已经使用图形处理软件,处理成具有相同的色彩和大小:宽高是32像素x32像素。尽管采用本文格式存储图像不能有效地利用内存空间,但是为了方便理解,我们将图片转换为文本格式,数字的文本格式如图3.1所示。

    图3.1 数字的文本格式

        与此同时,这些文本格式存储的数字的文件命名也很有特点,格式为:数字的值_该数字的样本序号,如图3.2所示。

    图3.2 文本数字的存储格式

        对于这样已经整理好的文本,我们可以直接使用Python处理,进行数字预测。数据集分为训练集和测试集,使用上小结的方法,自己设计k-近邻算法分类器,可以实现分类。

        数据集和实现代码下载

        这里不再讲解自己用Python写的k-邻域分类器的方法,因为这不是本小节的重点。接下来,我们将使用强大的第三方Python科学计算库Sklearn构建手写数字系统。

    ##3.2 Sklearn简介

        Scikit learn 也简称sklearn,是机器学习领域当中最知名的python模块之一。sklearn包含了很多机器学习的方式:

    • Classification 分类
    • Regression 回归
    • Clustering 非监督分类
    • Dimensionality reduction 数据降维
    • Model Selection 模型选择
    • Preprocessing 数据与处理

        使用sklearn可以很方便地让我们实现一个机器学习算法。一个复杂度算法的实现,使用sklearn可能只需要调用几行API即可。所以学习sklearn,可以有效减少我们特定任务的实现周期。

    ##3.3 Sklearn安装

        在安装sklearn之前,需要安装两个库,即numpy+mkl和scipy。不要使用pip3直接进行安装,因为pip3默安装的是numpy,而不是numpy+mkl。第三方库下载地址:http://www.lfd.uci.edu/~gohlke/pythonlibs/

        这个网站的使用方法,我在之前的文章里有讲过:http://blog.csdn.net/c406495762/article/details/60156205

        找到对应python版本的numpy+mkl和scipy,下载安装即可,如图3.1和图3.2所示。

    图3.1 numpy+mkl

    图3.2 scipy

        使用pip3安装好这两个whl文件后,使用如下指令安装sklearn。

    pip3 install -U scikit-learn
    

    ##3.4 Sklearn实现k-近邻算法简介

        官网英文文档地址

        sklearn.neighbors模块实现了k-近邻算法,内容如图3.3所示。

    图3.3 sklearn.neighbors

        我们使用sklearn.neighbors.KNeighborsClassifier就可以是实现上小结,我们实现的k-近邻算法。KNeighborsClassifier函数一共有8个参数,如图3.4所示。

    图3.4 KNeighborsClassifier

        KNneighborsClassifier参数说明:

    • n_neighbors:默认为5,就是k-NN的k的值,选取最近的k个点。
    • weights:默认是uniform,参数可以是uniform、distance,也可以是用户自己定义的函数。uniform是均等的权重,就说所有的邻近点的权重都是相等的。distance是不均等的权重,距离近的点比距离远的点的影响大。用户自定义的函数,接收距离的数组,返回一组维数相同的权重。
    • algorithm:快速k近邻搜索算法,默认参数为auto,可以理解为算法自己决定合适的搜索算法。除此之外,用户也可以自己指定搜索算法ball_tree、kd_tree、brute方法进行搜索,brute是蛮力搜索,也就是线性扫描,当训练集很大时,计算非常耗时。kd_tree,构造kd树存储数据以便对其进行快速检索的树形数据结构,kd树也就是数据结构中的二叉树。以中值切分构造的树,每个结点是一个超矩形,在维数小于20时效率高。ball tree是为了克服kd树高纬失效而发明的,其构造过程是以质心C和半径r分割样本空间,每个节点是一个超球体。
    • leaf_size:默认是30,这个是构造的kd树和ball树的大小。这个值的设置会影响树构建的速度和搜索速度,同样也影响着存储树所需的内存大小。需要根据问题的性质选择最优的大小。
    • metric:用于距离度量,默认度量是minkowski,也就是p=2的欧氏距离(欧几里德度量)。
    • p:距离度量公式。在上小结,我们使用欧氏距离公式进行距离度量。除此之外,还有其他的度量方法,例如曼哈顿距离。这个参数默认为2,也就是默认使用欧式距离公式进行距离度量。也可以设置为1,使用曼哈顿距离公式进行距离度量。
    • metric_params:距离公式的其他关键参数,这个可以不管,使用默认的None即可。
    • n_jobs:并行处理设置。默认为1,临近点搜索并行工作数。如果为-1,那么CPU的所有cores都用于并行工作。

        KNeighborsClassifier提供了以一些方法供我们使用,如图3.5所示。

    图3.5 KNeighborsClassifier的方法

        由于篇幅原因,每个函数的怎么用,就不具体讲解了。官方手册已经讲解的很详细了,各位可以查看这个手册进行学习,我们直接讲手写数字识别系统的实现。

    ##3.5 Sklearn小试牛刀

        我们知道数字图片是32x32的二进制图像,为了方便计算,我们可以将32x32的二进制图像转换为1x1024的向量。对于sklearn的KNeighborsClassifier输入可以是矩阵,不用一定转换为向量,不过为了跟自己写的k-近邻算法分类器对应上,这里也做了向量化处理。然后构建kNN分类器,利用分类器做预测。创建kNN_test04.py文件,编写代码如下:

    # -*- coding: UTF-8 -*-
    import numpy as np
    import operator
    from os import listdir
    from sklearn.neighbors import KNeighborsClassifier as kNN
    
    """
    函数说明:将32x32的二进制图像转换为1x1024向量。
    
    Parameters:
        filename - 文件名
    Returns:
        returnVect - 返回的二进制图像的1x1024向量
    
    Modify:
        2017-07-15
    """
    def img2vector(filename):
        #创建1x1024零向量
        returnVect = np.zeros((1, 1024))
        #打开文件
        fr = open(filename)
        #按行读取
        for i in range(32):
            #读一行数据
            lineStr = fr.readline()
            #每一行的前32个元素依次添加到returnVect中
            for j in range(32):
                returnVect[0, 32*i+j] = int(lineStr[j])
        #返回转换后的1x1024向量
        return returnVect
    
    """
    函数说明:手写数字分类测试
    
    Parameters:
        无
    Returns:
        无
    
    Modify:
        2017-07-15
    """
    def handwritingClassTest():
        #测试集的Labels
        hwLabels = []
        #返回trainingDigits目录下的文件名
        trainingFileList = listdir('trainingDigits')
        #返回文件夹下文件的个数
        m = len(trainingFileList)
        #初始化训练的Mat矩阵,测试集
        trainingMat = np.zeros((m, 1024))
        #从文件名中解析出训练集的类别
        for i in range(m):
            #获得文件的名字
            fileNameStr = trainingFileList[i]
            #获得分类的数字
            classNumber = int(fileNameStr.split('_')[0])
            #将获得的类别添加到hwLabels中
            hwLabels.append(classNumber)
            #将每一个文件的1x1024数据存储到trainingMat矩阵中
            trainingMat[i,:] = img2vector('trainingDigits/%s' % (fileNameStr))
        #构建kNN分类器
        neigh = kNN(n_neighbors = 3, algorithm = 'auto')
        #拟合模型, trainingMat为测试矩阵,hwLabels为对应的标签
        neigh.fit(trainingMat, hwLabels)
        #返回testDigits目录下的文件列表
        testFileList = listdir('testDigits')
        #错误检测计数
        errorCount = 0.0
        #测试数据的数量
        mTest = len(testFileList)
        #从文件中解析出测试集的类别并进行分类测试
        for i in range(mTest):
            #获得文件的名字
            fileNameStr = testFileList[i]
            #获得分类的数字
            classNumber = int(fileNameStr.split('_')[0])
            #获得测试集的1x1024向量,用于训练
            vectorUnderTest = img2vector('testDigits/%s' % (fileNameStr))
            #获得预测结果
            # classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
            classifierResult = neigh.predict(vectorUnderTest)
            print("分类返回结果为%d\t真实结果为%d" % (classifierResult, classNumber))
            if(classifierResult != classNumber):
                errorCount += 1.0
        print("总共错了%d个数据\n错误率为%f%%" % (errorCount, errorCount/mTest * 100))
    
    
    """
    函数说明:main函数
    
    Parameters:
        无
    Returns:
        无
    
    Modify:
        2017-07-15
    """
    if __name__ == '__main__':
        handwritingClassTest()
    

        运行上述代码,得到如图3.6所示的结果。

    图3.6 sklearn运行结果

        上述代码使用的algorithm参数是auto,更改algorithm参数为brute,使用暴力搜索,你会发现,运行时间变长了,变为10s+。更改n_neighbors参数,你会发现,不同的值,检测精度也是不同的。自己可以尝试更改这些参数的设置,加深对其函数的理解。


    #四 总结

    ##4.1 kNN算法的优缺点

    优点

    • 简单好用,容易理解,精度高,理论成熟,既可以用来做分类也可以用来做回归;
    • 可用于数值型数据和离散型数据;
    • 训练时间复杂度为O(n);无数据输入假定;
    • 对异常值不敏感。

    缺点:

    • 计算复杂性高;空间复杂性高;
    • 样本不平衡问题(即有些类别的样本数量很多,而其它样本的数量很少);
    • 一般数值很大的时候不用这个,计算量太大。但是单个样本又不能太少,否则容易发生误分。
    • 最大的缺点是无法给出数据的内在含义。

    ##4.2 其他

    • 关于algorithm参数kd_tree的原理,可以查看《统计学方法 李航》书中的讲解;
    • 关于距离度量的方法还有切比雪夫距离、马氏距离、巴氏距离等;
    • 下篇文章将讲解决策树,欢迎各位届时捧场!
    • 如有问题,请留言。如有错误,还望指正,谢谢!

    PS: 如果觉得本篇本章对您有所帮助,欢迎关注、评论、顶!

    展开全文
  • 我的机器学习教程「美团」算法工程师带你入门机器学习 已经开始更新了,欢迎大家订阅~ 任何关于算法、编程、AI行业知识或博客内容的问题,可以随时扫码关注公众号「图灵的猫」,加入”学习小组“,沙雕博主在线答疑...

    我的机器学习教程「美团」算法工程师带你入门机器学习   已经开始更新了,欢迎大家订阅~

    任何关于算法、编程、AI行业知识或博客内容的问题,可以随时扫码关注公众号「图灵的猫」,加入”学习小组“,沙雕博主在线答疑~此外,公众号内还有更多AI、算法、编程和大数据知识分享,以及免费的SSR节点和学习资料。其他平台(知乎/B站)也是同名「图灵的猫」,不要迷路哦~

     

     

     

     

     

    这次做的系列是《机器学习实战》,原书比较久远了,且代码和练习都是基于Python2,我个人是升级到了Python3,因此使用最新的版本来写这些习题。具体2和3其实在基础语法上并没有太多差别,一些高级特性比如装饰器工厂,协程,IO等Python3的新用法,一般机器学习也用不上,因为追求性能的话都会用C/C++等语言去实现,Python只是小规模的测试用。

    课程数据和代码也放在我的Github:Machine learning in Action,目前刚开始做,有不对的欢迎指正,也欢迎大家star。除了版本差异,代码里的部分函数以及代码范式也和原书不一样(因为作者的代码实在让人看的别扭,我改过后看起来舒服多了)。在这个系列之后,我还会写一个scikit-learn机器学习系列,因为在实现了源码之后,带大家看看SKT框架如何使用也是非常重要的。 

    展开全文
  • Python数据分析与机器学习实战教程,该课程精心挑选真实的数据集为案例,通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础,所有课时都结合代码演示...
  • 机器学习实战》完整总结

    千次阅读 2018-04-07 18:24:18
    1.首先从图片的角度,对机器学习算法、实战有一个全面而感性的认识。 1.1 机器学习算法思维导图 1.2 监督学习经典模型树状图 1.3 Scikit-learn工具包使用网状图 1.4 监督学习流程图 2.剖析监督学习...

    1.首先从图片的角度,对机器学习算法、实战有一个全面而感性的认识。
    1.1 机器学习算法思维导图
    这里写图片描述
    1.2 监督学习经典模型树状图
    这里写图片描述
    1.3 Scikit-learn工具包使用网状图
    这里写图片描述
    1.4 监督学习流程图
    这里写图片描述


    2.剖析监督学习流程图的每一个步骤(by code)。
    2.1 原始数据收集
    (1)导入本地数据:

    import pandas as pd  
    train = pd.read_csv('../Breast-Cancer/breast-cancer-train.csv')
    test = pd.read_csv('../Breast-Cancer/breast-cancer-test.csv')
    

    (2)在线获取数据

    import pandas as pd
    titanic = pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')
    

    (3)导入sklearn模块自带的数据集

    from sklearn.datasets import load_boston,load_digits,fetch_20newsgroups
    boston = load_boston()
    #查看数据说明(DESCR)
    print boston.DESCR
    
    digits = load_digits()
    #查看数据规模和特征维度
    print digits.data.shape
    
    #与之前预存的数据不同,fetch_20newsgroups需要即时从互联网下载数据
    news=fetch_20newsgroups(subset='all')
    #查验数据规模和细节
    print len(news.data)
    print news.data[0]
    

    2.2 数据预处理

    • 处理缺失数据

    (1)泰坦尼克号乘客数据中,对缺失的乘客年龄进行处理

    #这里是先完成了特征提取,然后再处理的 missing data
    X['age'].fillna(X['age'].mean(),inplace=True)
    
    

    (2)在肿瘤分类任务中,将原始数据数据缺失值进行处理

    #将?替换为标准缺失值
    data = data.replace(to_replace='?',value=np.nan)
    #丢失带有缺失值的数据(只要有一个纬度缺失就舍弃)
    data = data.dropna(how='any')
    
    • 特征提取(选取数据样本中的重要特征)

    (1)泰坦尼克号乘客数据中,选取对结果影响比较大的几个特征组成数据样本X,y

    X = titanic[['pclass','sex','age']]
    y = titanic['survived']
    

    (2)手写体数字图像的数据,利用数据的维度,获取X,y

    X_train = digits_train[np.arange(64)]
    y_train = digits_train[64]
    X_test = digits_test[np.arange(64)]
    y_test = digits_test[64]
    

    2.3 采样(数据分割)

    from sklearn.cross_validation import train_test_split
    X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.25,random_state=33)
    

    2.4 数据进一步预处理

    • 特征抽取(将原始数据转化为特征向量的形式)
    #1.用CountVectorizer提取特征(词袋法)
    from sklearn.feature_extraction.text import CountVectorizer
    count_vec=CountVectorizer()
    X_count_train = count_vec.fit_transform(X_train)
    X_count_test = count_vec.transform(X_test)
    
    #2.用TfidfVectorizer提取特征 
    from sklearn.feature_extraction.text import TfidfVectorizer
    tfidf_vec = TfidfVectorizer()
    X_tfidf_train = tfidf_vec.fit_transform(X_train)
    X_tfidf_test = tfidf_vec.transform(X_test)
    
    #3.使用DictVectorizer将类别型特征转换成0/1型
    from sklearn.feature_extraction import DictVectorizer
    #sparse=False指不用稀疏矩阵表示
    vec = DictVectorizer(sparse=False) 
    #转换特征之后,我们发现凡是类别型的特征都单独剥离出来,独自构成一列特征,数值型特征则保持不变,如sex分割成'sex=female', 'sex=male'两列
    X_train = vec.fit_transform(X_train.to_dict(orient='record'))
    X_test = vec.fit_transform(X_test.to_dict(orient='record'))
    
    
    • 特征筛选(在高维度、已量化的特征向量中选择更有效的特征组合)
    # 从sklearn导入特征筛选器
    from sklearn import feature_selection
    # 筛选特征向量表现最好的前20%个特征,使用相同配置的决策树模型进行预测,并且评估性能
    fs = feature_selection.SelectPercentile(feature_selection.chi2,percentile=20)
    #注意此处的fit_transform参数,是两个值,不再只是X_train
    X_train_fs = fs.fit_transform(X_train,y_train)
    
    • 特征标准化(使得预测结果不会被某些维度过大的特征值所主导)
    from sklearn.preprocessing import StandardScaler
    ss=StandardScaler()
    #注意,X_train与X_test的标准化方法不同
    X_train = ss.fit_transform(X_train)
    X_test = ss.transform(X_test)
    
    • 特征降维(将高维度的特征空间映射到低维度的空间,尽可能的保证数据的多样性)
    from sklearn.decomposition import PCA
    #初始化一个可以将高维度的特征向量(64维)压缩至两个维度的PCA
    estimator = PCA(n_components=2)
    X_pca = estimator.fit_transform(X_digits)
    

    2.5 学习算法训练

    #1.线性分类器模型训练
    from sklearn.linear_model import LogisticRegression,SGDClassifier
    lr=LogisticRegression()
    lr.fit(X_train,y_train)
    sgdc=SGDClassifier()
    sgdc.fit(X_train,y_train)
    
    #2.使用kernel='linear'配置的SVC模型训练
    from sklearn.svm import SVC
    linear_svc = SVC(kernel='linear')
    linear_svc.fit(X_train,y_train)
    
    #3.朴素贝叶斯模型训练
    from sklearn.naive_bayes import MultinomialNB
    mnb = MultinomialNB()
    mnb.fit(X_train,y_train)
    
    #4.K近邻(回归)模型训练
    from sklearn.neighbors import KNeighborsClassifier
    knc = KNeighborsClassifier()
    knc.fit(X_train,y_train)
    
    #5.决策树分类器模型训练
    from sklearn.tree import DecisionTreeClassifier
    dtc = DecisionTreeClassifier()
    dtc.fit(X_train,y_train)
    
    #6.集成模型(分类)训练
    from sklearn.ensemble import RandomForestClassifier
    rfc = RandomForestClassifier()
    rfc.fit(X_train,y_train)
    
    from sklearn.ensemble import GradientBoostingClassifier
    gbc = GradientBoostingClassifier()
    gbc.fit(X_train,y_train)
    
    ······
    
    

    2.6 超参数优化 (模型配置,我们一般统称为模型的超参数)

    #以下给出一个超参数搜索的例子,返回模型性能最好的超参数
    from sklearn.pipeline import Pipeline
    clf = Pipeline([('vect',TfidfVectorizer(stop_words='english',analyzer='word')),('svc',SVC())])
    parameters = {'svc__gamma':np.logspace(-2,1,4),'svc__C':np.logspace(-1,1,3)}
    from sklearn.grid_search import GridSearchCV
    gs = GridSearchCV(clf,parameters,verbose=2,refit=True,cv=3)
    #执行单线程网格搜索
    gs.fit(X_train,y_train)
    print gs.best_params_,gs.best_score_
    

    2.7 后期处理

    • 性能评估

    (1)分类模型评估:

    #使用sklearn.metrics中的classification_report模块对肿瘤预测模型的性能进行分析
    from sklearn.metrics import classification_report
    #1.使用逻辑回归模型自带的评分函数score获得模型在测试集上对准确性结果
    print 'Accuracy Of LR:',lr.score(X_test,y_test)
    #利用classification_report模块获得LR的其他三个指标(pression,recall,f1 score)
    print classification_report(y_test,lr_y_predict,target_names=['Bebign','Malignat'])
    #2.使用SGD模型自带的评分函数score获得模型在测试集上的准确性结果
    print 'Accuracy Of SGD:',sgdc.score(X_test,y_test)
    #利用classification_report模块获得LR的其他三个指标(pression,recall,f1 score)
    print classification_report(y_test,sgdc_y_predict,target_names=['Bebign','Malignat'])
    

    (2)回归模型评估:

    #使用SGDRegressor自带的评估模块,并输出评估结果
    print 'the value of default measurement of SGDR:',sgdr.score(X_test,y_test)
    from sklearn.metrics import r2_score,mean_squared_error,mean_absolute_error
    print 'the value of R-squared of SGDR is',r2_score(y_test,sgdr_y_predict)
    print 'the MSE of SGDR is',mean_squared_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(sgdr_y_predict))
    print 'the MAE of SGDR is',mean_absolute_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(sgdr_y_predict))
    #回归模型自带的评估结果与r2_score的值是一样的,推荐使用第一种方式
    
    • 模型选择
      通过交叉验证的方式,选择性能表现最稳定,预测准确性最好的模型。

    2.8 选定最终的分类/回归模型
    2.9 将交叉验证后,性能表现最好的几个模型,放在测试集上评估
    2.10在测试集上,表现最佳的模型,用来预测未知新数据

    展开全文
  • 机器学习实战——学习之路

    千次阅读 2019-07-25 10:45:27
    本篇博客意在记录学习机器学习实战中算法的过程,首先申明一下,博主是一个小白,刚开始接触机器学习,所以每学完一个算法,就会进行一次总结,写一篇博客。每篇博客仅是个人理解而写,如有错误,不足之处,欢迎指出...

    本篇博客意在记录学习机器学习实战中算法的过程,首先申明一下,博主是一个小白,刚开始接触机器学习,所以每学完一个算法,就会进行一次总结,写一篇博客。每篇博客仅是个人理解而写,如有错误,不足之处,欢迎指出,定会细心接纳,并及时改正。

    已经学过的算法:

    机器学习实战(一)线性回归和局部加权线性回归

    机器学习实战(二)logistic回归

    机器学习实战(三)岭回归,lasso回归

    机器学习实战(四)k-近邻算法

    机器学习实战(五)朴素贝叶斯算法

    机器学习实战(六)决策树(上)

    机器学习实战(六)决策树(下)CART详解

    机器学习实战(七)支持向量机(SVM)

    机器学习实战(八)AdaBoost算法

    机器学习实战(九)K-均值聚类算法

    机器学习实战(十)Apriori详解

    机器学习实战(十一)FP-growth算法

    本篇博客,会在学习过程中不断更新链接。
    注:小知识点,markdown中插入文字链接,使用[](),方括号内写文字,括号内写链接。

    展开全文
  • 机器学习的主要流程如下: 1.将数据进行数据预处理 2.进行特征提取、特征归一化等 3.通过机器学习算法进行模型训练 4.将新数据传入模型进行预测 5.对预测结果进行评估 那比如今天我们来进行信用卡的违约率进行...
  • 1.1机器学习 答:计算机程序利用经验 E 学习任务 T,性能是 P,如果针对任务 T 的性能 P 随着经验 E 不断增 长,则称为机器学习。 ...
  • ML assignments, about Regression, Classification, CNN, RNN, Explainable AI, Adversarial Attack, Network Compression, Seq2Seq, GAN, Transfer Learning, Meta Learning, Life-long Learning, Reforcement ...
  • 机器学习实战》总结篇

    千次阅读 2019-07-17 09:02:37
    机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识...
  • 机器学习实战:电子书

    千次阅读 2019-01-27 18:29:21
    简介:机器学习是人工智能研究领域中一... 《机器学习实战》主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、...
  • 这是楼主自己学习过程中整理的机器学习实战全书的全部源代码,书上的代码有很多不能运行的,楼主把全部代码重新进行的书写,所有代码在python3上均通过运行,没有任何bug。全网唯一一个可以在python3下完美运行的...
  • 本次资源的推送为《机器学习实战:基于 Scikit-Learn、Keras 和 TensorFlow》 2 ,无论是从理论的角度还是工程实践角度去评价《机器学习实战:基于 Sciki...
  • 机器学习实战(Python3

    千次阅读 2017-10-11 10:08:03
    最近在学机器学习,因为Python2跟Python3的差距,所以,我选择直接学习Python3来完成对机器学习实战的内容,此类博客会持续更新 (等我完成本书内容,代码会慢慢在github上更新) 接触到一个算法为K-近邻算法,其...
  • 机器学习实战源码和数据集下载

    千次阅读 2018-07-18 01:26:01
    机器学习实战源码和数据集可在英文的网站上下载: https://www.manning.com/books/machine-learning-in-action 点击上面的链接,进入页面后,找到左侧的free downloads -- Source Code点击下载即可,如下图所示...
  • 永久有效: 链接: https://pan.baidu.com/s/1nlAPt941Dw7N_v5ZaX42dQ 提取码: 43s8 ———————————————— 原文链接:https://blog.csdn.net/qq_40627333/article/details/82823348 ...
  • 机器学习实战的源码和数据集下载

    千次阅读 2019-01-10 20:55:33
    下载的连接如下 https://www.manning.com/books/machine-learning-in-action 点开后找到Source Code,然后他会自动下载;如果找不到的话,可以在下方评论留下你的邮箱,我直接发给你! ...
  • 机器学习实战》学习笔记(一):机器学习基础

    千次阅读 多人点赞 2019-08-19 17:01:32
    【机器学习】《机器学习实战》读书笔记及代码 总目录 https://blog.csdn.net/TeFuirnever/article/details/99701256 ————————————————————————————————————————————...
  • 机器学习实战数据集

    2019-02-01 18:37:23
    学习机器学习实战时,书中有很多文件,但是书中没告诉下载地址。而且很多网上的下载需要翻,特此分享给大家,希望大家喜欢
  • 如果你有独立经济来源,条件允许请购买正版图书,保护知识产权,维护作者权益,谢谢大家。 ...DangDang 豆瓣 内含中英文高清可打印的PDF版本 需要的朋友可以自助下载 下载链接 ...祝大家学习顺利 ...
  • 机器学习实战》中所用的数据集文件,来源于各种网站,用于三方包scikit-learnhe和TensorFlow的功能的展示。
  • 机器学习实战》–学习笔记–资料下载和运行环境 经典书+配套Python代码=实战 英文原版的官方网站有本书配套的Python代码: https://www.manning.com/books/machine-learning-in-action 使用jupyter notebook整理的...
  • Sklearn与机器学习实战介绍了sklearn概率,完整的项目实战的模型训练和旋转等
  • 本压缩包包括6个机器学习实战案例及代码,包括kaggle的泰坦尼克号分析,用朴素贝叶斯实现语种检测以及聊天机器人等,有完整代码和案例分析,对于机器学习有兴趣的同学很有帮助
  • 本文从Logistic回归的原理开始讲起,补充了书上省略的数学推导。本文可能会略显枯燥,理论居多,Sklearn实战内容会放在下一篇文章。自己慢慢推导完公式,还是蛮开心的一件事。
  • 今天给大家介绍一本以 Python 为基础的机器学习实战编程书籍:《机器学习实战》。 本书特色: 本书的目录如下: 本书一部分主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法...
  • 今天接着往下进行实战操作,会用到之前的数据和代码,如果有问题请查看上一节。 三、开始实战 7、选择及训练模型   首先尝试训练一个线性回归模型(LinearRegression) from sklearn.linear_model ...
  • 机器学习实战 Python3 实现

    千次阅读 2019-05-28 10:59:08
    之前在学习《机器学习实战》这本书,本来说在 CSDN 上更新自己的学习进度,后来因为代码还要重新贴,就直接在 GitHub 上 备份了。 有学习兴趣的小伙伴可以去 GitHub 上支持一下:...
  • 机器学习实战项目,适合初学的50个项目实战,均有项目介绍,资源链接,源码链接等等信息
  • 一部分 机器学习基础(Part I. The Fundamentals ofMachine Learning) 1章 机器学习概述(Chapter 1. The Machine LearningLandscape)(待更新) 2章 端到端机器学习项目(Chapter 2. End-to-End Machine...
  • 中文,英文,书上的源代码都有 链接:https://pan.baidu.com/s/1XU0VBSff52_G3r4tIvVCLw提取码:lgqi 转载于:https://www.cnblogs.com/bejm/p/10440851.html

空空如也

1 2 3 4 5 ... 20
收藏数 85,494
精华内容 34,197
关键字:

机器学习实战