2019-02-26 19:49:00 qq_37960402 阅读数 61
  • 10小时玩转机器学习

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程主要包括人工智能五大核心模块:人工智能改数与K近邻算法实战,线性回归算法,经典分类算法-逻辑回归,决策树算法,贝叶斯算法,无监督算法-聚类与PCA降维。风格通俗易懂,唐宇迪老师将用接地气的方式讲解复杂算法问题,以实战为导向,基于真实数据集从零开始,带领大家一步步完成整个人工智能项目。

    2185 人正在学习 去看看 唐宇迪

k近邻算法:
或者说K最近邻(kNN,k-NearestNeighbor)
在一个空间中有许多样本,这时候来了一个新的样本即测试点,那么如何判断这个样本的类别。做法就是求测试点和空间中每个样本的距离,用距离最近的前K个判断。
比如下图新来了一个点,这时候K=3,离它最近的3个点就是一个为正方形,两个为三角形,那么就把新的点判定为三角形。
在这里插入图片描述
再比如:
训练集是二维数组[1.0,1.1],[1.0,1.0],[0.1,0],[0,0.1]
标签 labels=[‘A’,‘A’,‘B’,‘B’]
测试集[0.2,0.1]
k=3
首先计算测试集和训练集之间的距离
在这里插入图片描述
点[0.2,0.1]与[1.0,1.1]之间的距离计算为:
在这里插入图片描述
计算完所有点之间的距离之后从小到大排序,选取前k个距离,对进行遍历,将对应标签加一。如[A:1,B:2]这里就输出A

算法的优点:
1、简单,易于理解,易于实现,无需估计参数,无需训练
2、适合对稀有事件进行分类
3、特别适合于多分类问题(multi-modal,对象具有多个类别标签), kNN比SVM的表现要好
算法的缺点:
1、该算法在分类时有个主要的不足是,当样本不平衡时,如一个类的样本容量很大,而其他类样本容量很小时,有可能导致当输入一个新样本时,该样本的K个邻居中大容量类的样本占多数。 该算法只计算“最近的”邻居样本,某一类的样本数量很大,那么或者这类样本并不接近目标样本,或者这类样本很靠近目标样本。无论怎样,数量并不能影响运行结果。
2、该方法的另一个不足之处是计算量较大,因为对每一个待分类的文本都要计算它到全体已知样本的距离,才能求得它的K个最近邻点。

程序实现:

from numpy import *
import operator
def createDataSet():    #创建标签和数据
    group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels=['A','A','B','B']
    return group,labels
def classifify0(inX,dataSet,labels,k):      
    dataSetSize=dataSet.shape[0]      # dataSetSize=4    计算距离
    diffMat=tile(inX,(dataSetSize,1))-dataSet #tile(inX,(dataSetSize,1)),让inX变为和dataSet一样的类型
    sqDiffMat=diffMat**2 #
    sqDistances=sqDiffMat.sum(axis=1)
    distances=sqDistances**0.5
    sortedDistIndicies=distances.argsort()      
    classCount={}

    for i in range(k):         #选择距离最小的k个节点
        voteIlabel=labels[sortedDistIndicies[i]]
        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
    sortedCalssCount=sorted(classCount.items(),
                            key=operator.itemgetter(1),reverse=True)
    return sortedCalssCount[0][0]
group,labels=createDataSet()
print(classifify0([1, 0.5], group, labels, 3))

手写数字体识别
图片大小:28×28
为了使用上述分类器,需将图片转换为向量形式1×784

from numpy import *
import operator
from keras.datasets import mnist
import numpy as np
(X_train, Y_train),(X_test, Y_test) = mnist.load_data()
X_train=X_train[0:10000]        #取10000个训练
Y_train=Y_train[0:10000]
X_test=X_test[0:100]             #取100个测试
Y_test=Y_test[0:100]
aa=X_train[1].reshape(1,784)
def classifify0(inX,dataSet,labels,k):
    dataSetSize=dataSet.shape[0]      # dataSetSize=4
    diffMat=tile(inX,(dataSetSize,1))-dataSet #tile(inX,(dataSetSize,1)),让inX变为和dataSet一样的类型
    sqDiffMat=diffMat**2 #
    sqDistances=sqDiffMat.sum(axis=1)
    distances=sqDistances**0.5
    sortedDistIndicies=distances.argsort()
    classCount={}
    for i in range(k):
        voteIlabel=labels[sortedDistIndicies[i]]
        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
    sortedCalssCount=sorted(classCount.items(),
                            key=operator.itemgetter(1),reverse=True)
    return sortedCalssCount[0][0]

def handwriting(X_train,Y_train,X_test,k):
    hwlabels=[]
    m=len(X_train)
    trainingMat=zeros((m,784))
    for i in range(m):
        trainingMat[i,:]=X_train[i].reshape(1,784)   #将图片转换为向量形式
    mTest=len(X_test)
    for i in range(mTest):
        wordtest=X_test[i].reshape(1,784)
        classresult=classifify0(wordtest,trainingMat,Y_train,k)
        hwlabels.append(classresult)
        #print("result:{},true{}".format(classresult,Y_test[i]))
    return hwlabels
k=[10,50,100,150]         #取前k个
for i in range(len(k)):
    classresult=handwriting(X_train,Y_train,X_test,k[i])
    aa=(classresult == Y_test).astype(np.int32)
    acc=sum(aa)/len(Y_test)
    print(acc)

在这里插入图片描述
总结:k近邻算法比较简单和有效,但是需要大量的存储空间,比较耗时

2019-09-24 20:51:07 weixin_40264772 阅读数 20
  • 10小时玩转机器学习

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程主要包括人工智能五大核心模块:人工智能改数与K近邻算法实战,线性回归算法,经典分类算法-逻辑回归,决策树算法,贝叶斯算法,无监督算法-聚类与PCA降维。风格通俗易懂,唐宇迪老师将用接地气的方式讲解复杂算法问题,以实战为导向,基于真实数据集从零开始,带领大家一步步完成整个人工智能项目。

    2185 人正在学习 去看看 唐宇迪

机器学习实战-K近邻算法(分类电影)

#-*- Coding:utf-8 -*-
# Author:LHF  Time:2019/9/21
from numpy import *
import operator  #运算符模块

def creatDataSet():
    group = array([[1.0,101],[5,89],[108,5],[115,8]])
    labels = ['爱情片','爱情片','动作片','动作片']
    return group,labels

def classify0(inx,dataSet,labels,k):
    dateSetSize = dataSet.shape[0]#numpy函数shape[0]返回dataSet的行数
    diffMat = tile(inx,(dateSetSize,1)) - dataSet #在行向量上inx有dataSetSize次,在列向量上inx有一次
    sqDiffMat = diffMat ** 2#二维矩阵相减后每个数据求平方
    sqDistances = sqDiffMat.sum(axis = 1)#求出每一行数据的总和
    distances = sqDistances ** 0.5#将每一行数据的总和开平方
    sortedDistIndicies = distances.argsort()#按照distances中数据的大小排序,然后替换成在原来每行数据的索引
    classCount = {}
    for i in range(k):#多数表决法,按大小顺序,求出前k个
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1#get(指定键,默认值) get返回指定键的值,如果没有,返回默认值
    #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
    sortedClassCount = sorted(classCount.items(),key = operator.itemgetter(1),reverse = True)
    #拿出字典中第一个键值对的键
    return sortedClassCount[0][0]


if __name__ == '__main__':
    group,labels = creatDataSet()
    test = [101,20]
    test_class = classify0(test,group,labels,3)
    print(test_class)

**

运行结果

**

动作片
2019-08-19 22:36:02 TeFuirnever 阅读数 876
  • 10小时玩转机器学习

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程主要包括人工智能五大核心模块:人工智能改数与K近邻算法实战,线性回归算法,经典分类算法-逻辑回归,决策树算法,贝叶斯算法,无监督算法-聚类与PCA降维。风格通俗易懂,唐宇迪老师将用接地气的方式讲解复杂算法问题,以实战为导向,基于真实数据集从零开始,带领大家一步步完成整个人工智能项目。

    2185 人正在学习 去看看 唐宇迪

【机器学习】《机器学习实战》读书笔记及代码 总目录

GitHub代码地址:

——————————————————————————————————————————————————————

本章内容

  • k-近邻分类算法
  • 从文本文件中解析和导入数据
  • 使用Matplotlib创建扩散图
  • 归一化数值

这一节早在【CS231n】斯坦福大学李飞飞视觉识别课程笔记中就讲过了,感兴趣的同学可以去学一学这个课程,同时还有python的相关课程【Python - 100天从新手到大师】,但是没有具体的实现代码,所以今天来搞一下。

1、k-近邻算法概述

简单地说,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。

k-近邻算法
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。

k-近邻算法(kNN),它的工作原理是:存在一个样本数据集合,也称作训练样本集,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,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。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。

一般来说,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。

书上举了一个简单但是经典的例子——电影分类,有人曾经统计过很多电影的打斗镜头和接吻镜头,图2-1显示了6部电影的打斗和接吻镜头数。
在这里插入图片描述
首先需要知道这个未知电影存在多少个打斗镜头和接吻镜头,图2-1中问号位置是该未知电影出现的镜头数图形化展示,具体数字参见表2-1。
在这里插入图片描述
首先计算未知电影与样本集中其他电影的距离,如表2-2所示。
在这里插入图片描述
按照距离递增排序,可以找到k个距离最近的电影。假定k=3,则三个最靠近的电影依次是He’s Not Really into Dudes、Beautiful Woman和California Man。k-近邻算法按照距离最近的三部电影的类型,决定未知电影的类型,而这三部电影全是爱情片,因此我们判定未知电影是爱情片。(当然根据你的经验应该也是认为爱情片的概率更高才是,因为接吻镜头90个,但是打斗镜头才18个,额,不可以开车,谁说的爱情动作片???)

k-近邻算法的一般流程
(1) 收集数据:可以使用任何方法。
(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。

  1. 准备:使用Python 导入数据

对于表2.1中的数据,我们可以使用numpy直接创建,代码如下:

import numpy as np

"""
Parameters:
    无
Returns:
    group - 数据集
	labels - 分类标签
"""
# 函数说明:创建数据集
def createDataSet():
    #六组二维特征
    group = np.array([[3,104],[2,100],[1,81],[101,10],[99,5],[98,2]])
    #六组特征的标签
    labels = ['爱情片','爱情片','爱情片','动作片','动作片','动作片']
    return group, labels

def showDataSet(dataMat, labelMat):
    data_plus = []
    for i in range(len(group)):
        data_plus.append(dataMat[i])
    data_plus_np = np.array(data_plus)# 转换为numpy矩阵
    plt.scatter(np.transpose(data_plus_np)[0],np.transpose(data_plus_np)[1])#散点图
    plt.show()


if __name__ == '__main__':
    #创建数据集
    group, labels = createDataSet()
    #打印数据集
    print(group)
    print(labels)
>>> 
[[  3 104]
 [  2 100]
 [  1  81]
 [101  10]
 [ 99   5]
 [ 98   2]]
['爱情片', '爱情片', '爱情片', '动作片', '动作片', '动作片']

在这里插入图片描述
这里将数据点左上方定义为类A(也就是爱情片),数据点右下方定义为类B(也就是动作片)。

一共有6组数据,每组数据有两个已知的属性或者特征值。上面的group矩阵每行包含一个不同的数据,我们可以把它想象为某个日志文件中不同的测量点或者入口。由于人类大脑的限制,通常只能可视化处理三维以下的事务。因此为了简单地实现数据可视化,对于每个数据点通常只使用两个特征。向量labels包含了每个数据点的标签信息,labels包含的元素个数等于group矩阵行数。

  1. 实施kNN 算法

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。

根据两点距离公式(欧氏距离公式),计算两个向量点xA和xB之间的距离。
在这里插入图片描述
按照步骤,接下来对数据按照从小到大的次序排序。选择距离最小的前k个点,并返回分类结果。

import numpy as np
import operator

"""
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
"""
# 函数说明:kNN算法,分类器
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]

完整代码:

import numpy as np
import operator

"""
Parameters:
    无
Returns:
    group - 数据集
    labels - 分类标签
"""
# 函数说明:创建数据集
def createDataSet():
    #六组二维特征
    group = np.array([[3,104],[2,100],[1,81],[101,10],[99,5],[98,2]])
    #六组特征的标签
    labels = ['爱情片','爱情片','爱情片','动作片','动作片','动作片']
    return group, labels

"""
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
"""
# 函数说明:kNN算法,分类器
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)
>>> 
动作片
  1. 如何测试分类器

有点那种我们依据自己的经验进行判断的意思,也就是上面我说的看“接吻动作”和“打斗动作”,然后进行判断的意味。

看到这,你可能会问:“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。除此之外,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。

2、使用k-近邻算法改进约会网站的配对效果

这里是一个比较有意思的话题产生的例子,也就是婚介网站等等的约会网站帮助你相亲,我的朋友海伦就是这样一个人,她一直使用在线约会网站寻找适合自己的约会对象,但是她发现尽管约会网站会推荐不同的人选,但并不是每一个人她都喜欢。经过一番总结,她发现曾交往过三种类型的人:不喜欢的人、魅力一般的人和极具魅力的人。

她希望我们的分类软件可以更好地帮助她将匹配对象划分到确切的分类中。此外,海伦自己还收集了一些约会网站未曾记录的数据信息,她认为这些数据更有助于匹配对象的归类。

在约会网站上使用k-近邻算法
(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。

  1. 准备数据:从文本文件中解析数据

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。海伦的样本主要包含以下3种特征:

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

观察数据,可以看到有largeDoses、smallDoses、didntLike三类标记。
在这里插入图片描述
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?从前面讲的你已经知道,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.py中创建名为file2matrix的函数,以此来处理输入格式问题。该函数的输入为文件名字符串,输出为 训练样本矩阵类标签向量

import numpy as np

"""
Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""
# 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
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


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)
>>> 
[[  4.09200000e+04   8.32697600e+00   9.53952000e-01]
 [  1.44880000e+04   7.15346900e+00   1.67390400e+00]
 [  2.60520000e+04   1.44187100e+00   8.05124000e-01]
 ..., 
 [  2.65750000e+04   1.06501020e+01   8.66627000e-01]
 [  4.81110000e+04   9.13452800e+00   7.28045000e-01]
 [  4.37570000e+04   7.88260100e+00   1.33244600e+00]]
[3, 2, 1, 1, 1, 1, 3, 3, 1, 3, 1, 1, 2, 1, 1, 1, 1, 1, 2, 3, 2, 1, 2, 3, 2, 3, 2, 3, 2, 1, 3, 1, 3, 1, 2, 1, 1, 2, 3, 3, 1, 2, 3, 3, 3, 1, 1, 1, 1, 2, 2, 1, 3, 2, 2, 2, 2, 3, 1, 2, 1, 2, 2, 2, 2, 2, 3, 2, 3, 1, 2, 3, 2, 2, 1, 3, 1, 1, 3, 3, 1, 2, 3, 1, 3, 1, 2, 2, 1, 1, 3, 3, 1, 2, 1, 3, 3, 2, 1, 1, 3, 1, 2, 3, 3, 2, 3, 3, 1, 2, 3, 2, 1, 3, 1, 2, 1, 1, 2, 3, 2, 3, 2, 3, 2, 1, 3, 3, 3, 1, 3, 2, 2, 3, 1, 3, 3, 3, 1, 3, 1, 1, 3, 3, 2, 3, 3, 1, 2, 3, 2, 2, 3, 3, 3, 1, 2, 2, 1, 1, 3, 2, 3, 3, 1, 2, 1, 3, 1, 2, 3, 2, 3, 1, 1, 1, 3, 2, 3, 1, 3, 2, 1, 3, 2, 2, 3, 2, 3, 2, 1, 1, 3, 1, 3, 2, 2, 2, 3, 2, 2, 1, 2, 2, 3, 1, 3, 3, 2, 1, 1, 1, 2, 1, 3, 3, 3, 3, 2, 1, 1, 1, 2, 3, 2, 1, 3, 1, 3, 2, 2, 3, 1, 3, 1, 1, 2, 1, 2, 2, 1, 3, 1, 3, 2, 3, 1, 2, 3, 1, 1, 1, 1, 2, 3, 2, 2, 3, 1, 2, 1, 1, 1, 3, 3, 2, 1, 1, 1, 2, 2, 3, 1, 1, 1, 2, 1, 1, 2, 1, 1, 1, 2, 2, 3, 2, 3, 3, 3, 3, 1, 2, 3, 1, 1, 1, 3, 1, 3, 2, 2, 1, 3, 1, 3, 2, 2, 1, 2, 2, 3, 1, 3, 2, 1, 1, 3, 3, 2, 3, 3, 2, 3, 1, 3, 1, 3, 3, 1, 3, 2, 1, 3, 1, 3, 2, 1, 2, 2, 1, 3, 1, 1, 3, 3, 2, 2, 3, 1, 2, 3, 3, 2, 2, 1, 1, 1, 1, 3, 2, 1, 1, 3, 2, 1, 1, 3, 3, 3, 2, 3, 2, 1, 1, 1, 1, 1, 3, 2, 2, 1, 2, 1, 3, 2, 1, 3, 2, 1, 3, 1, 1, 3, 3, 3, 3, 2, 1, 1, 2, 1, 3, 3, 2, 1, 2, 3, 2, 1, 2, 2, 2, 1, 1, 3, 1, 1, 2, 3, 1, 1, 2, 3, 1, 3, 1, 1, 2, 2, 1, 2, 2, 2, 3, 1, 1, 1, 3, 1, 3, 1, 3, 3, 1, 1, 1, 3, 2, 3, 3, 2, 2, 1, 1, 1, 2, 1, 2, 2, 3, 3, 3, 1, 1, 3, 3, 2, 3, 3, 2, 3, 3, 3, 2, 3, 3, 1, 2, 3, 2, 1, 1, 1, 1, 3, 3, 3, 3, 2, 1, 1, 1, 1, 3, 1, 1, 2, 1, 1, 2, 3, 2, 1, 2, 2, 2, 3, 2, 1, 3, 2, 3, 2, 3, 2, 1, 1, 2, 3, 1, 3, 3, 3, 1, 2, 1, 2, 2, 1, 2, 2, 2, 2, 2, 3, 2, 1, 3, 3, 2, 2, 2, 3, 1, 2, 1, 1, 3, 2, 3, 2, 3, 2, 3, 3, 2, 2, 1, 3, 1, 2, 1, 3, 1, 1, 1, 3, 1, 1, 3, 3, 2, 2, 1, 3, 1, 1, 3, 2, 3, 1, 1, 3, 1, 3, 3, 1, 2, 3, 1, 3, 1, 1, 2, 1, 3, 1, 1, 1, 1, 2, 1, 3, 1, 2, 1, 3, 1, 3, 1, 1, 2, 2, 2, 3, 2, 2, 1, 2, 3, 3, 2, 3, 3, 3, 2, 3, 3, 1, 3, 2, 3, 2, 1, 2, 1, 1, 1, 2, 3, 2, 2, 1, 2, 2, 1, 3, 1, 3, 3, 3, 2, 2, 3, 3, 1, 2, 2, 2, 3, 1, 2, 1, 3, 1, 2, 3, 1, 1, 1, 2, 2, 3, 1, 3, 1, 1, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 2, 2, 2, 3, 1, 3, 1, 2, 3, 2, 2, 3, 1, 2, 3, 2, 3, 1, 2, 2, 3, 1, 1, 1, 2, 2, 1, 1, 2, 1, 2, 1, 2, 3, 2, 1, 3, 3, 3, 1, 1, 3, 1, 2, 3, 3, 2, 2, 2, 1, 2, 3, 2, 2, 3, 2, 2, 2, 3, 3, 2, 1, 3, 2, 1, 3, 3, 1, 2, 3, 2, 1, 3, 3, 3, 1, 2, 2, 2, 3, 2, 3, 3, 1, 2, 1, 1, 2, 1, 3, 1, 2, 2, 1, 3, 2, 1, 3, 3, 2, 2, 2, 1, 2, 2, 1, 3, 1, 3, 1, 3, 3, 1, 1, 2, 3, 2, 2, 3, 1, 1, 1, 1, 3, 2, 2, 1, 3, 1, 2, 3, 1, 3, 1, 3, 1, 1, 3, 2, 3, 1, 1, 3, 3, 3, 3, 1, 3, 2, 2, 1, 1, 3, 3, 2, 2, 2, 1, 2, 1, 2, 1, 3, 2, 1, 2, 2, 3, 1, 2, 2, 2, 3, 2, 1, 2, 1, 2, 3, 3, 2, 3, 1, 1, 3, 3, 1, 2, 2, 2, 2, 2, 2, 1, 3, 3, 3, 3, 3, 1, 1, 3, 2, 1, 2, 1, 2, 2, 3, 2, 2, 2, 3, 1, 2, 1, 2, 2, 1, 1, 2, 3, 3, 1, 1, 1, 1, 3, 3, 3, 3, 3, 3, 1, 3, 3, 2, 3, 2, 3, 3, 2, 2, 1, 1, 1, 3, 3, 1, 1, 1, 3, 3, 2, 1, 2, 1, 1, 2, 2, 1, 1, 1, 3, 1, 1, 2, 3, 2, 2, 1, 3, 1, 2, 3, 1, 2, 2, 2, 2, 3, 2, 3, 3, 1, 2, 1, 2, 3, 1, 3, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 2, 2, 2, 2, 2, 1, 3, 3, 3]

上面是特征矩阵,下面是标签向量。

  1. 分析数据:使用Matplotlib 创建散点图

现在已经从文本文件中导入了数据,并将其格式化为想要的格式,接着我们需要了解数据的真实含义。当然我们可以直接浏览文本文件,但是这种方法非常不友好,一般来说,我们会采用图形化的方式直观地展示数据。下面就用Python工具来图形化展示数据内容,以便辨识出一些数据模式。

from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import numpy as np

"""
Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""
# 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
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

"""
Parameters:
    datingDataMat - 特征矩阵
    datingLabels - 分类Label
Returns:
    无
"""
# 函数说明:可视化数据
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()


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)

在这里插入图片描述
通过数据可以很直观的发现数据的规律,比如横纵坐标是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,就会发现,海伦很喜欢生活质量高的男人。为什么这么说呢?

每年获得的飞行常客里程数这一个特征表明,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。哈哈,兄弟们,姐妹们,是不是发现了什么了不得的事啊 ?

  1. 准备数据:归一化数值

表2-3给出了提取的四组数据,如果想要计算样本3和样本4之间的距离,可以使用下面的方法:
在这里插入图片描述
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2-3中其他两个特征——玩视频游戏的和每周消费冰淇淋公升数——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。
在这里插入图片描述
在处理这种不同取值范围的特征值时,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:
在这里插入图片描述
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。

import numpy as np

"""
Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""
# 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
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

"""
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
"""
# 函数说明:对数据进行归一化
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


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)
>>> 
[[ 0.44832535  0.39805139  0.56233353]
 [ 0.15873259  0.34195467  0.98724416]
 [ 0.28542943  0.06892523  0.47449629]
 ..., 
 [ 0.29115949  0.50910294  0.51079493]
 [ 0.52711097  0.43665451  0.4290048 ]
 [ 0.47940793  0.3768091   0.78571804]]
[  9.12730000e+04   2.09193490e+01   1.69436100e+00]
[ 0.        0.        0.001156]

从运行结果可以看到,数据顺利地进行了归一化,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。

  1. 测试算法:作为完整程序验证分类器

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。

前面已经提到可以使用错误率来检测分类器的性能。对于分类器来说,错误率就是分类器给出错误结果的次数除以测试数据的总数,完美分类器的错误率为0,而错误率为1.0的分类器不会给出任何正确的分类结果。代码里我们定义一个计数器变量,每次分类器错误地分类数据,计数器就加1,程序执行完成之后计数器的结果除以数据点总数即是错误率。

import numpy as np
import operator

"""
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
"""
# 函数说明:kNN算法,分类器
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]

"""
Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""
# 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
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

"""
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
"""
# 函数说明:对数据进行归一化
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

"""
Parameters:
    无
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值
"""
# 函数说明:分类器测试函数
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))


if __name__ == '__main__':
    datingClassTest()
>>> 
......
......
分类结果:2	真实类别:2
分类结果:2	真实类别:1
分类结果:1	真实类别:1
错误率:4.000000%

分类器处理约会数据集的错误率是4%,这是一个相当不错的结果。我们可以改变函数datingClassTest内变量hoRatio和变量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。

这个例子表明我们可以正确地预测分类,错误率仅仅是4%。海伦完全可以输入未知对象的属性信息,由分类软件来帮助她判定某一对象的可交往程度:讨厌、一般喜欢、非常喜欢。

  1. 使用算法:构建完整可用系统

上面已经在数据上对分类器进行了测试,现在终于可以使用这个分类器为海伦来对人们分类。我们会给海伦一小段程序,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。程序会给出她对对方喜欢程度的预测值。

import numpy as np
import operator

"""
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
"""
# 函数说明:kNN算法,分类器
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]

"""
Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""
# 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
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

"""
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
"""
# 函数说明:对数据进行归一化
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
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]))


if __name__ == '__main__':
    classifyPerson()

通过交互式的输入相应的数据,就可以得到想要的结论。

>>> 
玩视频游戏所耗时间百分比:10
每年获得的飞行常客里程数:10000
每周消费的冰激淋公升数:0.5
你可能讨厌这个人

3、Sklearn构建k-近邻分类器用于手写数字识别

示例:使用k-近邻算法的手写识别系统
(1) 收集数据:提供文本文件。
(2) 准备数据:编写函数classify0(),将图像格式转换为分类器使用的list格式。
(3) 分析数据:在Python命令提示符中检查数据,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,测试样本与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:本例没有完成此步骤,若你感兴趣可以构建完整的应用程序,从图像中提取数字,并完成数字识别,美国的邮件分拣系统就是一个实际运行的类似系统。

  1. 准备数据:将图像转换为测试向量

构造的系统只能识别数字0到9,目录trainingDigits中包含了大约2000个例子,每个数字大约有200个样本;目录testDigits中包含了大约900个测试数据。尽管采用文本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所示。

在这里插入图片描述
文件的名字也是有特殊含义的,格式为:数字的值_该数字的样本序号。

  1. 测试算法:使用k-近邻算法识别手写数字

把一个32×32的二进制图像矩阵转换为1×1024的向量,这样前两节使用的分类器就可以处理数字图像信息了。

import numpy as np
import operator
from os import listdir
from sklearn.neighbors import KNeighborsClassifier as kNN

"""
Parameters:
    filename - 文件名
Returns:
    returnVect - 返回的二进制图像的1x1024向量
"""
# 函数说明:将32x32的二进制图像转换为1x1024向量。
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
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))


if __name__ == '__main__':
    handwritingClassTest()
>>> 
分类返回结果为9	真实结果为9
分类返回结果为9	真实结果为9
分类返回结果为9	真实结果为9
分类返回结果为9	真实结果为9
总共错了12个数据
错误率为1.268499%

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。可以尝试更改这些参数的设置,加深对其函数的理解。

4、sklearn.neighbors.KNeighborsClassifier

sklearn.neighbors.KNeighborsClassifier是一个很好的模型,k-近邻算法就是通过它实现的,详细的看这个博客——sklearn.neighbors.KNeighborsClassifier()函数解析

5、总结

k-近邻算法是分类数据最简单最有效的算法,通过两个例子(约会网站和手写数字识别)讲述了如何使用k-近邻算法构造分类器。。k-近邻算法是基于实例的学习,使用算法时我们必须有接近实际数据的训练样本数据。k-近邻算法必须保存全部数据集,如果训练数据集的很大,必须使用大量的存储空间。此外,由于必须对数据集中的每个数据计算距离值,实际使用时可能非常耗时。

k-近邻算法的另一个缺陷是它无法给出任何数据的基础结构信息,因此也无法知晓平均实例样本和典型实例样本具有什么特征。下一章我们将使用概率测量方法处理分类问题,该算法可以解决这个问题。

参考文章

2017-09-12 21:58:31 u013829973 阅读数 1380
  • 10小时玩转机器学习

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程主要包括人工智能五大核心模块:人工智能改数与K近邻算法实战,线性回归算法,经典分类算法-逻辑回归,决策树算法,贝叶斯算法,无监督算法-聚类与PCA降维。风格通俗易懂,唐宇迪老师将用接地气的方式讲解复杂算法问题,以实战为导向,基于真实数据集从零开始,带领大家一步步完成整个人工智能项目。

    2185 人正在学习 去看看 唐宇迪

转载请注明作者和出处http://blog.csdn.net/u013829973
系统版本:window 7 (64bit)
python版本:python 3.5
IDE:Spyder (一个比较方便的办法是安装anaconda,那么Spyder和jupyter以及python几个常用的包都有了,甚至可以方便的安装TensorFlow等,安装方法链接

实战一:k近邻算法改进约会网站的配对效果

案例背景:海伦同学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:
  1.不喜欢的人
  2. 魅力一般的人
  3. 极具魅力的人
尽管发现了上述规律,但是海伦依然无法将约会网站推荐的匹配对象归入恰当的分类。海伦收集了一些约会数据信息,并存放在文本文件datingTestSet.txt中,每行一个样本,每个样本3个特征和一个类别,数据集维数1000x3 ,三个特征如下:
  1.每年获得的飞行常客里程数
  2.玩视频游戏所消耗时间百分比
  3.每周消费的冰淇淋公升数
下面进入实战,主要分为以下几个步骤:数据集和完整代码

1.1 准备数据:从文本文件中解析数据

将得到的txt文本文件转换成训练样本矩阵和标签向量,代码如下:

import numpy as np
import operator
'''
将文本程序转化为numpy矩阵

Input:      filename:     文件名          
Output:     returnMat:    特征矩阵
            classLabelVector:标签向量
'''
def file2matrix(filename):
    fr = open(filename)
    arrayOLines = fr.readlines()
    numberOfLines = len(arrayOLines)            #得到文件行数
    returnMat = np.zeros((numberOfLines,3))     #创建返回的numpy矩阵
    classLabelVector = []                       #类别标签初始化   
    index = 0
    for line in arrayOLines:
        line = line.strip()                   #截取掉所有的回车字符
        listFromLine = line.split('\t')       #使用tab字符\t将上一行得到的整行数据分割成一个元素列表
        returnMat[index,:] = listFromLine[0:3]#截取前三个元素,存储到特征矩阵中
        if listFromLine[-1] == 'largeDoses':  #极具魅力的人记为1
            classLabelVector.append(1)
        if listFromLine[-1] == 'smallDoses': #极具魅力的人记为2
            classLabelVector.append(2)
        if listFromLine[-1] == 'didntLike': #极具魅力的人记为3
            classLabelVector.append(3)
        index += 1
    return returnMat,classLabelVector

'''
主程序
'''   
if __name__ =='__main__':
    datingDataMat,datingLabels = file2matrix('datingTestSet.txt')
    print('datingDataMat:\n',datingDataMat)
    print('datingLabels\n',datingLabels)

程序运行结果:

这里写图片描述 图1.1 打印数据

  这样打印出来的结果是一堆数字,根本观察不出什么规律,因此,我们接下来对数据可视化,以便直观形象的观察出规律。

1.2分析数据:创建散点图

编写可视化函数:

import numpy as np
import matplotlib
import matplotlib.pyplot as plt
'''
可视化程序

'''
def datavisualization(datingDataMat,datingLabels):
    zhfont = matplotlib.font_manager.FontProperties(fname=r'c:\windows\fonts\simsun.ttc')#设置中文字体路径
    fig = plt.figure(figsize=(13,8))#新建画布,并定义大小
    ax1 = fig.add_subplot(221)#画布切分成2x2,第一个位置添加子图
    ax1.scatter(datingDataMat[:,1], datingDataMat[:,2], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels))
    ax1.axis([-2,25,-0.2,2.0]) 
    #利用datingLabel变量,绘制色彩不等,尺寸不同的点;指定坐标轴范围
    plt.xlabel('玩视频游戏所消耗时间占百分比',fontproperties=zhfont)#横轴标签
    plt.ylabel('每周消费的冰激凌公升数',fontproperties=zhfont) #纵轴标签
    ax2 = fig.add_subplot(222)#在画布上添加第二个子图
    ax2.scatter(datingDataMat[:,0], datingDataMat[:,1], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels))
    ax2.axis([-5000,100000,-2,23])
    plt.xlabel('每年获得的飞行常客里程数',fontproperties=zhfont)#横轴标签
    plt.ylabel('玩视频游戏所消耗时间占百分比',fontproperties=zhfont)#纵轴标签
    ax3 = fig.add_subplot(223)#在画布上添加第三个子图
    ax3.scatter(datingDataMat[:,0], datingDataMat[:,2], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels))
    ax3.axis([-5000,100000,-0.2,2.0])
    plt.xlabel('每年获得的飞行常客里程数',fontproperties=zhfont)#横轴标签
    plt.ylabel('每周消费的冰激凌公升数',fontproperties=zhfont)#纵轴标签
    plt.show()
'''
主程序
'''   
if __name__ =='__main__':
    datingDataMat,datingLabels = file2matrix('datingTestSet.txt')
    print('datingDataMat:\n',datingDataMat)
    print('datingLabels:\n',datingLabels)
    datavisualization(datingDataMat,datingLabels)

程序运行结果:

这里写图片描述图1.2 数据可视化

通过可视化数据,可以看出,训练数据的列1和列2(也就是图中的第二个子图)得到了较好的效果,清晰的标识了三个不同类别的样本分类区域,具有不同爱好的人其类别区域也不一样。

1.3 准备数据:归一化数值

  下表给出了提取的四组数据,如果想要计算样本3和样本4之间的距离,可以使用下面方法:

(067)2+(2000032000)2+(1.10.1)2

  我们很容易发现,上面方程中的数字差值最大的属性对计算结果影响最大,也就是说差值最大对应的特征对计算结果的影响远远大于其他两个特征的影响。但是海伦认为三个同等重要,这个最大的特征不应该严重影响计算结果。

表1.3 约会网站原始数据改进之后的样本数据

序号 玩视频游戏所耗时间百分比 每年飞行常客里程数 每周消费的冰激凌公升数 样本分类
1 0.8 400 0.5 1
2 12 13400 0.9 3
3 0 20000 1.1 2
4 67 32000 0.1 4

在处理这种不同取值范围的特征值的时候,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。下面公式是将任意取值范围的特征值转化为0到1之间:

   newValue = (OolValue - min )/(max - min)

下面给出归一化程序:

'''
函数功能:归一化特征值
Input:      dataSet:     特征矩阵          
Output:     normDataSet: 归一化后的特征矩阵
            ranges:      取值范围(最大值与最小值之差)
            minVals:     最小值
'''
def autoNorm(dataSet):
    minVals = dataSet.min(0)#从列中选取最小值
    maxVals = dataSet.max(0)#从列中选取最大值
    ranges = maxVals - minVals#计算可能的取值范围
    normDataSet = np.zeros(np.shape(dataSet))#初始化矩阵,维数(样本数x特征数)
    m = dataSet.shape[0]#获取dataSet的行数
    normDataSet = dataSet - np.tile(minVals, (m,1)) #归一化公式的分子
    normDataSet = normDataSet/np.tile(ranges, (m,1))   #归一化公式
    return normDataSet, ranges, minVals

1.4 测试算法:作为完整程序验证分类器

  本节将测试分类效果,如果分类器的正确率满足要求,海伦就可以使用这个软件来处理约会的网站提高的约会名单了。机器学习的一个重要工作就是评估算法的正确率,通常我们将已提供数据的90%作为训练集,剩下的10%作为测试集(需要注意的是10%的数据应该随机选择)
下面我们给出python程序清单:

'''
分类器对约会网站的测试函数

''' 
def datingClassTest():
    hoRatio = 0.10                     #将数据集且分为训练集和测试集的比例
    datingDataMat,datingLabels = file2matrix('datingTestSet.txt') #加载原始数据集
    normMat, ranges, minVals = autoNorm(datingDataMat)#归一化
    m = normMat.shape[0]              #取矩阵行数
    numTestVecs = int(m*hoRatio)        #取整
    errorCount = 0.0                 #分错的个数
    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]): errorCount += 1.0    
         #计算分错的样本数
    print ('the total error rate is: %f' % (errorCount/float(numTestVecs)))
    print ('分错的个数:',errorCount)

程序运行结果:

这里写图片描述
图1.4 分类器测试结果

改变程序的hoRatio变量和k值,错误率也会发生改变。

1.5 使用算法:构建完整系统

  我们给海伦一个小程序,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,程序会给出她对对方喜欢程度的预测值。
预测函数代码:

'''
函数功能:通过输入一个人的三维特征,进行分类输出
Input:                
Output:
'''
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]))

接下来,我们给出上述海伦例子的完整程序

'''
Created on Sep 10, 2017

kNN: k近邻(k Nearest Neighbors)
实战:使用k近邻算法改进约会网站的配对效果

author:weepon
'''
import numpy as np
import operator
import matplotlib
import matplotlib.pyplot as plt
'''
k近邻算法

Input:      inX: 测试集 (1xN)
            dataSet: 已知数据的特征(NxM)
            labels: 已知数据的标签或类别(1xM vector)
            k: k近邻算法中的k            
Output:     测试样本最可能所属的标签

'''
def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0] # shape[0]返回dataSet的行数
    diffMat = np.tile(inX, (dataSetSize,1)) - dataSet # tile(inX,(a,b))函数将inX重复a行,重复b列
    sqDiffMat = diffMat**2 #作差后平方
    sqDistances = sqDiffMat.sum(axis=1)#sum()求和函数,sum(0)每列所有元素相加,sum(1)每行所有元素相加
    distances = sqDistances**0.5  #开平方,求欧式距离
    sortedDistIndicies = distances.argsort() #argsort函数返回的是数组值从小到大的索引值  
    classCount={}          
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]] #取出前k个距离对应的标签
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1#计算每个类别的样本数。字典get()函数返回指定键的值,如果值不在字典中返回默认值0
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    #reverse降序排列字典
    #python2版本中的iteritems()换成python3的items()
    #key=operator.itemgetter(1)按照字典的值(value)进行排序
    #key=operator.itemgetter(0)按照字典的键(key)进行排序
    return sortedClassCount[0][0] #返回字典的第一条的key,也即是测试样本所属类别

'''
将文本程序转化为numpy矩阵

Input:      filename:     文件名          
Output:     returnMat:    特征矩阵
            classLabelVector:标签向量
'''
def file2matrix(filename):
    fr = open(filename)
    arrayOLines = fr.readlines()
    numberOfLines = len(arrayOLines)            #得到文件行数
    returnMat = np.zeros((numberOfLines,3))     #创建返回的numpy矩阵
    classLabelVector = []                       #类别标签初始化   
    index = 0
    for line in arrayOLines:
        line = line.strip()                   #截取掉所有的回车字符
        listFromLine = line.split('\t')       #使用tab字符\t将上一行得到的整行数据分割成一个元素列表
        returnMat[index,:] = listFromLine[0:3]#截取前三个元素,存储到特征矩阵中
        if listFromLine[-1] == 'largeDoses':  #极具魅力的人记为1
            classLabelVector.append(1)
        if listFromLine[-1] == 'smallDoses': #极具魅力的人记为2
            classLabelVector.append(2)
        if listFromLine[-1] == 'didntLike': #极具魅力的人记为3
            classLabelVector.append(3)
        index += 1
    return returnMat,classLabelVector


'''
可视化程序

'''
def datavisualization(datingDataMat,datingLabels):
    zhfont = matplotlib.font_manager.FontProperties(fname=r'c:\windows\fonts\simsun.ttc')#设置中文字体路径
    fig = plt.figure(figsize=(13,8))#新建画布,并定义大小
    ax1 = fig.add_subplot(221)#画布切分成2x2,第一个位置添加子图
    ax1.scatter(datingDataMat[:,1], datingDataMat[:,2], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels))
    ax1.axis([-2,25,-0.2,2.0])#利用datingLabel变量,绘制色彩不等,尺寸不同的点;指定坐标轴范围
    plt.xlabel('玩视频游戏所消耗时间占百分比',fontproperties=zhfont)#横轴标签
    plt.ylabel('每周消费的冰激凌公升数',fontproperties=zhfont) #纵轴标签
    ax2 = fig.add_subplot(222)#在画布上添加第二个子图
    ax2.scatter(datingDataMat[:,0], datingDataMat[:,1], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels))
    ax2.axis([-5000,100000,-2,23])
    plt.xlabel('每年获得的飞行常客里程数',fontproperties=zhfont)#横轴标签
    plt.ylabel('玩视频游戏所消耗时间占百分比',fontproperties=zhfont)#纵轴标签
    ax3 = fig.add_subplot(223)#在画布上添加第三个子图
    ax3.scatter(datingDataMat[:,0], datingDataMat[:,2], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels))
    ax3.axis([-5000,100000,-0.2,2.0])
    plt.xlabel('每年获得的飞行常客里程数',fontproperties=zhfont)#横轴标签
    plt.ylabel('每周消费的冰激凌公升数',fontproperties=zhfont)#纵轴标签
    plt.show()


'''
函数功能:归一化特征值
Input:      dataSet:     特征矩阵          
Output:     normDataSet: 归一化后的特征矩阵
            ranges:      取值范围(最大值与最小值之差)
            minVals:     最小值
'''
def autoNorm(dataSet):
    minVals = dataSet.min(0)#从列中选取最小值
    maxVals = dataSet.max(0)#从列中选取最大值
    ranges = maxVals - minVals#计算可能的取值范围
    normDataSet = np.zeros(np.shape(dataSet))#初始化矩阵,维数(样本数x特征数)
    m = dataSet.shape[0]#获取dataSet的行数
    normDataSet = dataSet - np.tile(minVals, (m,1)) #归一化公式的分子
    normDataSet = normDataSet/np.tile(ranges, (m,1))   #归一化公式
    return normDataSet, ranges, minVals

'''
分类器对约会网站的测试函数

''' 
def datingClassTest():
    hoRatio = 0.10                     #将数据集且分为训练集和测试集的比例
    datingDataMat,datingLabels = file2matrix('datingTestSet.txt') #加载原始数据集
    normMat, ranges, minVals = autoNorm(datingDataMat)#归一化
    m = normMat.shape[0]              #取矩阵行数
    numTestVecs = int(m*hoRatio)        #取整
    errorCount = 0.0                 #分错的个数
    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]): errorCount += 1.0     #计算分错的样本数
    print ('the total error rate is: %f' % (errorCount/float(numTestVecs)))
    print ('分错的个数:',errorCount)

'''
函数功能:通过输入一个人的三维特征,进行分类输出
Input:                
Output:
'''
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]))

'''
主程序
'''   
if __name__ =='__main__':
    datingDataMat,datingLabels = file2matrix('datingTestSet.txt')
    print('datingDataMat:\n',datingDataMat)
    print('datingLabels:\n',datingLabels)
    datavisualization(datingDataMat,datingLabels)
    datingClassTest() 
    classifyPerson()    

程序运行结果:

这里写图片描述

实战二:手写识别系统

2.1 准备数据 (数据集和完整代码)

  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。目录trainingDigits中包含了大约2000个例子,每个例子的内容如图2.1,每个数字大约有200个样本
这里写图片描述这里写图片描述

图2.1 手写数字数据集

我们可以将32x32的二进制图像转换为1x1024的向量,这样就可以使用前面编写的分类器进行分类了。
函数如下:

'''
函数功能:将32x32的二进制图像转换为1x1024向量

Input:     filename :文件名
Output:    二进制图像的1x1024向量
'''
def img2vector(filename):
    returnVect = np.zeros((1,1024))            #创建空numpy数组
    fr = open(filename)                         #打开文件
    for i in range(32):
        lineStr = fr.readline()                #读取每一行内容
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])#将每行前32个字符值存储在numpy数组中
    return returnVect

2.2 测试算法

测试函数代码:

'''
函数功能:手写数字分类测试
'''    
def handwritingClassTest():
    hwLabels = []
    trainingFileList = listdir('trainingDigits')    #加载训练集
    m = len(trainingFileList)                     #计算文件夹下文件的个数,因为每一个文件是一个手写体数字
    trainingMat = np.zeros((m,1024))            #初始化训练向量矩阵
    for i in range(m):
        fileNameStr = trainingFileList[i]        #获取文件名
        fileStr = fileNameStr.split('.')[0]     #从文件名中解析出分类的数字
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)
    testFileList = listdir('testDigits')        #加载测试集
    errorCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]          #从文件名中解析出测试样本的类别
        classNumStr = int(fileStr.split('_')[0])
        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) #开始分类
        print ('the classifier came back with: %d, the real answer is: %d' % (classifierResult, classNumStr))
        if (classifierResult != classNumStr): errorCount += 1.0            #计算分错的样本数
    print ('\nthe total number of errors is: %d' % errorCount)
    print ('\nthe total error rate is: %f' % (errorCount/float(mTest)))

2.3 完整代码

整合上面的代码,我们运行以下完整的代码

'''
Created on Sep 10, 2017

kNN: k近邻(k Nearest Neighbors)
实战:手写识别系统

author:weepon
'''
import numpy as np
import operator
from os import listdir
'''
k近邻算法

Input:      inX: 测试集 (1xN)
            dataSet: 已知数据的特征(NxM)
            labels: 已知数据的标签或类别(1xM vector)
            k: k近邻算法中的k            
Output:     测试样本最可能所属的标签

'''
def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0] # shape[0]返回dataSet的行数
    diffMat = np.tile(inX, (dataSetSize,1)) - dataSet # tile(inX,(a,b))函数将inX重复a行,重复b列
    sqDiffMat = diffMat**2 #作差后平方
    sqDistances = sqDiffMat.sum(axis=1)#sum()求和函数,sum(0)每列所有元素相加,sum(1)每行所有元素相加
    distances = sqDistances**0.5  #开平方,求欧式距离
    sortedDistIndicies = distances.argsort() #argsort函数返回的是数组值从小到大的索引值  
    classCount={}          
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]] #取出前k个距离对应的标签
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1#计算每个类别的样本数。字典get()函数返回指定键的值,如果值不在字典中返回默认值0
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    #reverse降序排列字典
    #python2版本中的iteritems()换成python3的items()
    #key=operator.itemgetter(1)按照字典的值(value)进行排序
    #key=operator.itemgetter(0)按照字典的键(key)进行排序
    return sortedClassCount[0][0] #返回字典的第一条的key,也即是测试样本所属类别

'''
函数功能:将32x32的二进制图像转换为1x1024向量

Input:     filename :文件名
Output:    二进制图像的1x1024向量

'''
def img2vector(filename):
    returnVect = np.zeros((1,1024))            #创建空numpy数组
    fr = open(filename)                         #打开文件
    for i in range(32):
        lineStr = fr.readline()                #读取每一行内容
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])#将每行前32个字符值存储在numpy数组中
    return returnVect

'''
函数功能:手写数字分类测试
'''    
def handwritingClassTest():
    hwLabels = []
    trainingFileList = listdir('trainingDigits')    #加载训练集
    m = len(trainingFileList)                     #计算文件夹下文件的个数,因为每一个文件是一个手写体数字
    trainingMat = np.zeros((m,1024))            #初始化训练向量矩阵
    for i in range(m):
        fileNameStr = trainingFileList[i]        #获取文件名
        fileStr = fileNameStr.split('.')[0]     #从文件名中解析出分类的数字
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)
    testFileList = listdir('testDigits')        #加载测试集
    errorCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]          #从文件名中解析出测试样本的类别
        classNumStr = int(fileStr.split('_')[0])
        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) #开始分类
        print ('the classifier came back with: %d, the real answer is: %d' % (classifierResult, classNumStr))
        if (classifierResult != classNumStr): errorCount += 1.0            #计算分错的样本数
    print ('\nthe total number of errors is: %d' % errorCount)
    print ('\nthe total error rate is: %f' % (errorCount/float(mTest)))

'''
主函数
'''    
if __name__ == '__main__':
    handwritingClassTest()

运行结果:

这里写图片描述

如有不当之处,请留言指出,谢谢!

2019-10-22 22:17:11 qq_39588609 阅读数 48
  • 10小时玩转机器学习

    购买课程后,可扫码进入学习群,获取唐宇迪老师答疑 课程主要包括人工智能五大核心模块:人工智能改数与K近邻算法实战,线性回归算法,经典分类算法-逻辑回归,决策树算法,贝叶斯算法,无监督算法-聚类与PCA降维。风格通俗易懂,唐宇迪老师将用接地气的方式讲解复杂算法问题,以实战为导向,基于真实数据集从零开始,带领大家一步步完成整个人工智能项目。

    2185 人正在学习 去看看 唐宇迪

- python2—>python3的错误纠正及代码详细解释

  • 《机器学习实战》本书中代码是python2.x的,对于python3.x而言会出先几处错误。学的过程忘了有多少处了,就不具体举出来,自己对照代码进行纠正。

KNN:

'''K近邻算法分类器'''
'''inX是测试集,dataSet是训练集,k近邻个数'''
def classify0(inX,dataSet,labels,k):   
    dataSetSize = dataSet.shape[0]
    ''' 距离计算   '''
    diffMat = tile(inX,(dataSetSize,1)) - dataSet   #inx在行向量方向上重复共dataSetSize次,列向量重复1次
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)  #sum()所有元素相加,sum(0)列相加,sum(1)行相加
    distance = sqDistances**0.5          #前面是为了得到欧式距离
    sortedDistIndicies = distance.argsort()    #argsort()函数返回的是数组值从小到大的索引值。这里是返回distance的。
    '''选择距离最小的K个点'''
    classCount = {}
    for i in range(k):               #遍历前k个,记录次数。选择距离最小的K个点
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1     #classcount中若有此key对应label加1,否之默认为0.
    '''排序'''
#     operator.itemgetter 获取对象的哪个维度的数据
#     key=operator.itemgetter(0)根据字典的键进行排序
#     key=operator.itemgetter(1)根据字典的值进行排序
#     reverse = Ture降序排列
    sortedClassCount = sorted(classCount.items(),
    key = operator.itemgetter(1),reverse = True)
    return sortedClassCount[0][0]              #返回K近邻中所属类别最多的那一类

数据处理

'''处理数据,输出训练样本矩阵和类标签向量'''

def file2matrix(filename):
    '''打开文件'''
    fr = open(filename)
    '''逐行打开,读取所有行'''
    arrayOLines = fr.readlines()
    '''得到文件行数'''
    numberOfLines = len(arrayOLines)
    '''创建返回的Numpy矩阵'''
    returnMat = zeros((numberOfLines,3))
    '''解析文件数据到列表'''
    classLabelVector = []
    index = 0     #行的索引值
    for line in arrayOLines:
        line = line.strip()                       #删去字符串首位空格
        listFromLine = line.split('\t')           #按'\t'对字符串进行分割,listFromLine是列表
        returnMat[index,:] = listFromLine[0:3]    #提取前三列,即特征变量,无标签变量
        classLabelVector.append(int(listFromLine[-1]))           #索引值-1表示最后一个元素
        index += 1            #一行一行存储
    return returnMat,classLabelVector

returnMat,classLabelVector = file2matrix('F:\py项目练习\k-近邻算法\datingTestSet2.txt')
print(returnMat)
print(classLabelVector)
print(returnMat.shape)

可视化

'''创建散点图数据可视化'''
import matplotlib
import matplotlib.pyplot as plt
from array import array  #python3 得加这个
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1] , datingDataMat[:,2], array('i',map(int,datingLabels)) , array('i',map(int,datingLabels)))
plt.show()

归一化

'''归一化数值
   公式: newvalue = (oldvalue-min)/(max - min)
'''
def autoNorm(dataSet):
    minVals = dataSet.min(0)  # [0]可以从列中选取最小值
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals   #最值范围
    normDataSet = zeros(shape(dataSet))     #创建全零行numpy矩阵
    m = dataSet.shape[0]             #返回dataSet的行数
    normDataSet = dataSet - tile(minVals,(m,1))   #我们使用NumPy库中tile()函数将变量内容复制成输入矩阵同样大小的矩阵(重复)
    '''特征值相除'''
    normDataSet = normDataSet/tile(ranges,(m,1))
    return normDataSet,ranges,minVals
    

测试算法

'''测试算法分类器'''
def datingclassTest():
    hoRatio = 0.10   #拿样本10%的数据测试
    datingDataMat,datingLabels = file2matrix('F:\py项目练习\k-近邻算法\datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingDataMat)
    m = normMat.shape[0]
    numTestVecs = int(m*hoRatio)
    errorCount = 0.0
    for i in range(numTestVecs):
        '''normMat[i,:],normMat[numTestVecs:m,:]    前10%作为测试集,后m-numtestvecs个作为训练集'''
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],
                                    datingLabels[numTestVecs:m],4)
        print('the classifier 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)))
    print(errorCount)

约会软件应用

'''约会预测函数'''
import numpy as np
def classifyPerson():
    resultList = ['not at all','in small doses','in large doses']
    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 cream consumed per year?'))
    datingDataMat,datingLabels = file2matrix('F:\py项目练习\k-近邻算法\datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingDataMat)
    inArr = np.array([ffMiles,percentTats,iceCream])
    classifierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels,4)
    print('You will probably like this person:',resultList[classifierResult - 1])

由于是用jupyter notebook 写的,完整代码在我的资源里下载有.ipynb和.py格式。
下载链接:
https://download.csdn.net/download/qq_39588609/11900224

K近邻算法

博文 来自: MRZHUGH
没有更多推荐了,返回首页