《机器学习实战》之一：knn(python代码)

数据

　　标称型和数值型

算法

　　归一化处理：防止数值较大的特征对距离产生较大影响

　　计算欧式距离：测试样本与训练集

　　排序：选取前k个距离，统计频数(出现次数)最多的类别

　

def classify0(inX, dataSet, labels, k):
    '''

    :param inX: 测试样本(arr)
    :param dataSet: 训练数据集(arr)
    :param labels: 类别(list)
    :param k:(int)
    :return: 类别
    '''
    #计算距离
    dataSetSize = dataSet.shape[0]  # 样本数量
    diffMat = tile(inX, (dataSetSize, 1)) - dataSet #tile(inX{数组},(dataSetSize{倍数},1{竖向}))：将数组(inX)竖向(1)复制dataSetSize倍
    sqDiffMat = diffMat ** 2                        #先求平方
    sqDistances = sqDiffMat.sum(axis=1)             #再求平方和
    distances = sqDistances ** 0.5                  #开根号,欧式距离
    sortedDistIndicies = distances.argsort()  #距离从小到大排序的索引
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]  #用索引得到相应的类别
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    return max(classCount, key=lambda k: classCount[k])  # 返回频数最大的类别

ps：

　　需要先　　from numpy import *

　　训练集(dataSet)可先归一化处理

　　arr值numpy的数组(array)类型

例子：

约会网站的配对

header：每年获得的飞行常客里程数　　玩视频游戏所耗时间百分比　　每周消费的冰激凌数　　评价（类别）

 

from numpy import *
import re

#从文件导入数据
def file2array(filename):
    '''
    :param filename: 文件名
    :return: 数据集(arr)、类别(list)
    '''
    label={
        'didntLike':0,
        'smallDoses':1,
        'largeDoses':2
    }
    with open(filename) as fr:
        lines =fr.readlines()
    tempLine =re.split('\s+',lines[0].strip())         #'\s+'表示tab或多个空格  #strip()除去换行符
    returnArr = zeros((len(lines),len(tempLine)-1))     #初始化数组（存放数据集）
    classLabelVector = []                               #存放类别
    for index,line in enumerate(lines):
        listFromLine = re.split('\s+',line.strip())    #空格或tab都行
        returnArr[index,:] = listFromLine[0:-1]
        classLabelVector.append(label[listFromLine[-1]])
    return returnArr,classLabelVector

#数据归一化
def Norm(dataSet):
    minVals = dataSet.min(0)    #0：列(特征)的最小值；1：行(样本)的最小值
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals
    normDataSet = zeros(dataSet.shape)
    m = dataSet.shape[0]
    normDataSet = dataSet - tile(minVals, (m,1))
    normDataSet /= tile(ranges, (m,1))   #element wise divide
    return normDataSet, ranges, minVals

#约会网站配对例子
def datingClassTest():
    hoRatio = 0.80      #80%作为测试集，20%为训练集
    datingDataMat,datingLabels = file2array('..dataCh02datingTestSet.txt')   #加载数据
    normMat, ranges, minVals = Norm(datingDataMat)                              #数据归一化
    m = normMat.shape[0]    #数据集大小(样本的数目)
    numTestVecs = int(m*hoRatio)
    errorCount = 0.0
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
        print("预测类别: %d, 真实类别: %d" % (classifierResult, datingLabels[i]))
        if (classifierResult != datingLabels[i]): errorCount += 1.0     #统计预测错误的次数
    print ("平均错误率是: %f" % (errorCount/float(numTestVecs)))
    print("总测试数目:",numTestVecs,"总错误数目:",errorCount)

#kNN分类器
def classify0(inX, dataSet, labels, k):
    '''

    :param inX: 测试样本(arr)
    :param dataSet: 训练数据集(arr)
    :param labels: 类别(list)
    :param k:(int)
    :return: 类别
    '''
    #计算距离
    dataSetSize = dataSet.shape[0]  # 样本数量
    diffMat = tile(inX, (dataSetSize, 1)) - dataSet #tile(inX{数组},(dataSetSize{倍数},1{竖向}))：将数组(inX)竖向(1)复制dataSetSize倍
    sqDiffMat = diffMat ** 2                        #先求平方
    sqDistances = sqDiffMat.sum(axis=1)             #再求平方和
    distances = sqDistances ** 0.5                  #开根号,欧式距离
    sortedDistIndicies = distances.argsort()  #距离从小到大排序的索引
    classCount = {}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]  #用索引得到相应的类别
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    return max(classCount, key=lambda k: classCount[k])  # 返回频数最大的类别

if __name__ =='__main__':
    datingClassTest()

手写数字图象识别

数据：转成txt格式的32*32图象

from numpy import *
from os import listdir

def loadData(dirname):
    listData =listdir(dirname)
    #把32*32文本文件读为1*1024
    def file2arr(filename):
        with open(filename) as f:
            vec =f.read()
        return list(vec.replace('
',''))
    sizeData =len(listData)         #文件的数量
    cLabel=zeros(sizeData,dtype='int16')          #文件类别
    arrTrain =zeros((sizeData,1024),dtype='int16')  #训练样本数组
    for i,j in enumerate(listData):
        cLabel[i] =int(j[0]) #每个文件对应的类别
        arrTrain[i,:] =file2arr(dirname + '\' +j)
    return cLabel,arrTrain

if __name__ =='__main__':
    from knn import classify0
    fTrain = r'..dataCh02digits	rainingDigits'
    fTest = r'..dataCh02digits	estDigits'
    cLabel,arrTrain =loadData(fTrain)
    cLabelTest,arrTest =loadData(fTest)
    err=0
    for j,i in enumerate(arrTest):
        label =classify0(i,arrTrain,cLabel,3)
        if cLabelTest[j] !=label:err+=1
    print('错误率：',err/len(cLabelTest))

    #sklearn库knn对比
    from sklearn.neighbors import KNeighborsClassifier as knn
    model =knn(n_neighbors=3,n_jobs=4,algorithm='auto')
    model.fit(arrTrain,cLabel)
    cLabelPredict =model.predict(arrTest)
    print('错误率',sum(cLabelPredict!=cLabelTest)/len(cLabelTest))

代码+数据集放在https://github.com/vvlj/ml

直观理解https://cuijiahua.com/blog/2017/11/ml_1_knn.html