| 博客班级 | 班级连接 |
| ---- | ---- | ---- |
| 作业目标 | 实现K-近邻算法 |
| 作业要求 | 作业连接 |
|学号 |3180701139|
| 姓名 |葛梦海|
【实验目的】
1.理解K-近邻算法原理，能实现算法K近邻算法；
2.掌握常见的距离度量方法；
3.掌握K近邻树实现算法；
4.针对特定应用场景及数据，能应用K近邻解决实际问题。
【实验内容】
1.实现曼哈顿距离、欧氏距离、闵式距离算法，并测试算法正确性。
2.实现K近邻树算法；
3.针对iris数据集，应用sklearn的K近邻算法进行类别预测。
4.针对iris数据集，编制程序使用K近邻树进行类别预测。
【实验报告要求】
1.对照实验内容，撰写实验过程、算法及测试结果；
2.代码规范化：命名规则、注释；
3.分析核心算法的复杂度；
4.查阅文献，讨论K近邻的优缺点；
5.举例说明K近邻的应用场景。
代码及结果
import math
from itertools import combinations
#p = 1 曼哈顿距离
#p = 2 欧氏距离
#p = inf 闵式距离minkowski_distance
#度量距离
def L(x, y, p=2):
# x1 = [1, 1], x2 = [5,1]
if len(x) == len(y) and len(x) > 1:
sum = 0
for i in range(len(x)):
sum += math.pow(abs(x[i] - y[i]), p)#求解sum=(|x1-y1|^p+|x2-y2|^p+...+|xi-yi|^p)
return math.pow(sum, 1/p)#对sum进行开根计算
else:
return 0
结果：
x1 = [1, 1]
x2 = [5, 1]
x3 = [4, 4]
# 计算x1与x2和x3之间的距离
for i in range(1, 5): # i从1到4
r = { '1-{}'.format(c):L(x1, c, p=i) for c in [x2, x3]} # 创建一个字典
print(min(zip(r.values(), r.keys()))) # 当p=i时选出x2和我x3中距离x1最近的点
# 导包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from collections import Counter
# data 输入数据
iris = load_iris() # 获取python中鸢尾花Iris数据集
df = pd.DataFrame(iris.data, columns=iris.feature_names) # 将数据集使用DataFrame建表
df['label'] = iris.target # 将表的最后一列作为目标列
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label'] # 定义表中每一列
# data = np.array(df.iloc[:100, [0, 1, -1]])
df # 将建好的表显示在屏幕上查看
# 绘制数据散点图
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0') # 绘制前50个数据的散点图
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1') # 绘制50-100个数据的散点图
plt.xlabel('sepal length')
plt.ylabel('sepal width') # 设置x，y轴坐标名
plt.legend() # 绘图
data = np.array(df.iloc[:100, [0, 1, -1]]) # iloc函数：通过行号来取行数据,读取数据前100行的第0,1列和最后一列
# X为data数据集中去除最后一列所形成的新数据集
# y为data数据集中最后一列数据所形成的新数据集
X, y = data[:,:-1], data[:,-1]
# 选取训练集，和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 建立一个类KNN，用于k-近邻的计算
class KNN:
#初始化
def __init__(self, X_train, y_train, n_neighbors=3, p=2): # 初始化数据，neighbor表示邻近点，p为欧氏距离
self.n = n_neighbors
self.p = p
self.X_train = X_train
self.y_train = y_train
def predict(self, X):
# X为测试集
knn_list = []
for i in range(self.n): # 遍历邻近点
dist = np.linalg.norm(X - self.X_train[i], ord=self.p) # 计算训练集和测试集之间的距离
knn_list.append((dist, self.y_train[i])) # 在列表末尾添加一个元素
for i in range(self.n, len(self.X_train)): # 3-20
max_index = knn_list.index(max(knn_list, key=lambda x: x[0])) # 找出列表中距离最大的点
dist = np.linalg.norm(X - self.X_train[i], ord=self.p) # 计算训练集和测试集之间的距离
if knn_list[max_index][0] > dist: # 若当前数据的距离大于之前得出的距离，就将数值替换
knn_list[max_index] = (dist, self.y_train[i])
# 统计
knn = [k[-1] for k in knn_list]
count_pairs = Counter(knn) # 统计标签的个数
max_count = sorted(count_pairs, key=lambda x:x)[-1] # 将标签升序排列
return max_count
# 计算测试算法的正确率
def score(self, X_test, y_test):
right_count = 0
n = 10
for X, y in zip(X_test, y_test):
label = self.predict(X)
if label == y:
right_count += 1
return right_count / len(X_test)
clf = KNN(X_train, y_train) # 调用KNN算法进行计算
clf.score(X_test, y_test) # 计算正确率
test_point = [6.0, 3.0] # 用于算法测试的数据
print('Test Point: {}'.format(clf.predict(test_point))) # 结果
Test Point: 1.0
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0') # 将数据的前50个数据绘制散点图
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1') # 将数据的50-100个数据绘制散点图
plt.plot(test_point[0], test_point[1], 'bo', label='test_point') # 将测试数据点绘制在图中
plt.xlabel('sepal length')
plt.ylabel('sepal width') # x,y轴命名
plt.legend() # 绘图
# 导包
from sklearn.neighbors import KNeighborsClassifier
# 调用
clf_sk = KNeighborsClassifier()
clf_sk.fit(X_train, y_train)
clf_sk.score(X_test, y_test) # 计算正确率
# 建造kd树
# kd-tree 每个结点中主要包含的数据如下：
class KdNode(object):
def __init__(self, dom_elt, split, left, right):
self.dom_elt = dom_elt#结点的父结点
self.split = split#划分结点
self.left = left#做结点
self.right = right#右结点
class KdTree(object):
def __init__(self, data):
k = len(data[0])#数据维度
#print("创建结点")
#print("开始执行创建结点函数！！！")
def CreateNode(split, data_set):
#print(split,data_set)
if not data_set:#数据集为空
return None
#print("进入函数！！！")
data_set.sort(key=lambda x:x[split])#开始找切分平面的维度
#print("data_set:",data_set)
split_pos = len(data_set)//2 #取得中位数点的坐标位置(求整)
median = data_set[split_pos]
split_next = (split+1) % k #(取余数)取得下一个节点的分离维数
return KdNode(
median,
split,
CreateNode(split_next, data_set[:split_pos]),#创建左结点
CreateNode(split_next, data_set[split_pos+1:]))#创建右结点
#print("结束创建结点函数！！！")
self.root = CreateNode(0, data)#创建根结点
#KDTree的前序遍历
def preorder(root):
print(root.dom_elt)
if root.left:
preorder(root.left)
if root.right:
preorder(root.right)
# 遍历kd树
#KDTree的前序遍历
def preorder(root):
print(root.dom_elt)
if root.left:
preorder(root.left)
if root.right:
preorder(root.right)
from math import sqrt
from collections import namedtuple
# 定义一个namedtuple,分别存放最近坐标点、最近距离和访问过的节点数
result = namedtuple("Result_tuple",
"nearest_point nearest_dist nodes_visited")
#搜索开始
def find_nearest(tree, point):
k = len(point)#数据维度
def travel(kd_node, target, max_dist):
if kd_node is None:
return result([0]*k, float("inf"), 0)#表示数据的无
nodes_visited = 1
s = kd_node.split #数据维度分隔
pivot = kd_node.dom_elt #切分根节点
if target[s] <= pivot[s]:
nearer_node = kd_node.left #下一个左结点为树根结点
further_node = kd_node.right #记录右节点
else: #右面更近
nearer_node = kd_node.right
further_node = kd_node.left
temp1 = travel(nearer_node, target, max_dist)
nearest = temp1.nearest_point# 得到叶子结点，此时为nearest
dist = temp1.nearest_dist #update distance
nodes_visited += temp1.nodes_visited
print("nodes_visited:", nodes_visited)
if dist < max_dist:
max_dist = dist
temp_dist = abs(pivot[s]-target[s])#计算球体与分隔超平面的距离
if max_dist < temp_dist:
return result(nearest, dist, nodes_visited)
# -------
#计算分隔点的欧式距离
temp_dist = sqrt(sum((p1-p2)**2 for p1, p2 in zip(pivot, target)))#计算目标点到邻近节点的Distance
if temp_dist < dist:
nearest = pivot #更新最近点
dist = temp_dist #更新最近距离
max_dist = dist #更新超球体的半径
print("输出数据:" , nearest, dist, max_dist)
# 检查另一个子结点对应的区域是否有更近的点
temp2 = travel(further_node, target, max_dist)
nodes_visited += temp2.nodes_visited
if temp2.nearest_dist < dist: # 如果另一个子结点内存在更近距离
nearest = temp2.nearest_point # 更新最近点
dist = temp2.nearest_dist # 更新最近距离
return result(nearest, dist, nodes_visited)
return travel(tree.root, point, float("inf")) # 从根节点开始递归
# 数据测试
data= [[2,3],[5,4],[9,6],[4,7],[8,1],[7,2]]
kd=KdTree(data)
preorder(kd.root)
# 导包
from time import clock
from random import random
# 产生一个k维随机向量，每维分量值在0~1之间
def random_point(k):
return [random() for _ in range(k)]
# 产生n个k维随机向量
def random_points(k, n):
return [random_point(k) for _ in range(n)]
# 输入数据进行测试
ret = find_nearest(kd, [3,4.5])
print (ret)
N = 400000
t0 = clock()
kd2 = KdTree(random_points(3, N)) # 构建包含四十万个3维空间样本点的kd树
ret2 = find_nearest(kd2, [0.1,0.5,0.8]) # 四十万个样本点中寻找离目标最近的点
t1 = clock()
print ("time: ",t1-t0, "s")
print (ret2)
实验小结
本次实验理解K-近邻算法原理，能实现算法K近邻算法；掌握常见的距离度量方法；掌握K近邻树实现算法；针对特定应用场景及数据，能应用K近邻解决实际问题。此次试验实现了曼哈顿距离、欧氏距离、闵式距离算法，以及针对iris数据集，编程实现kd树算法和应用sklearn的K近邻算法进行类别预测。k邻模型的距离度量一般使用欧式距离，也可以是更一般的距离或Minkowski距离。如果选择较小的K值：“学”的似误差(approximation error)会减小，但 “学”的估计误差(estimation error) 会增大；噪声敏感 ；K值的减小就意味着整体模型变得复杂，容易发生过拟合。通过实验了解了K近邻的优缺点，也了解了k*邻模型。