KNN算法项目实战——改进婚恋网站的配对效果

1、项目背景:

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人选,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

2、项目数据

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。

datingTestSet.txt数据集下载

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

数据格式如下:

KNN算法项目实战——改进婚恋网站的配对效果

3、K-近邻算法的一般流程

(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)测试算法:使用文本文件的部分数据作为测试样本,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。

4、项目步骤及代码实现


  1. #-*- coding:utf-8 -*-
  2. import matplotlib.lines as mlines
  3. import matplotlib.pyplot as plt
  4. import numpy as np
  5. import matplotlib as mpl
  6. import operator
  7. '''
  8. #准备数据,从文本文件中解析数据
  9. '''
  10. def file2matrix(filename):
  11. #打开文件
  12. with open(filename,'r') as fr:
  13. # 读取文件所有内容
  14. arrayOLines = fr.readlines()
  15. # 得到文件行数
  16. numberOfLines = len(arrayOLines)
  17. # 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
  18. returnMat = np.zeros((numberOfLines, 3))
  19. # 返回的分类标签向量
  20. classLabelVector = []
  21. # 行的索引值
  22. index = 0
  23. for line in arrayOLines:
  24. # s.strip(rm),当rm空时,默认删除空白符(包括'','',' ',' ')
  25. line = line.strip()
  26. # 使用s.split(str="",num=string,cout(str))将字符串根据' '分隔符进行切片。
  27. listFromLine = line.split(' ')
  28. # 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
  29. returnMat[index, :] = listFromLine[0:3]
  30. # 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
  31. if listFromLine[-1] == 'didntLike':
  32. classLabelVector.append(1)
  33. elif listFromLine[-1] == 'smallDoses':
  34. classLabelVector.append(2)
  35. elif listFromLine[-1] == 'largeDoses':
  36. classLabelVector.append(3)
  37. index += 1
  38. return returnMat, classLabelVector
  39. '''
  40. #分析数据,数据可视化,使用Matplotlib创建散点图
  41. '''
  42. def showdatas(datingDataMat, datingLabels):
  43. #设置汉字格式
  44. # sans-serif就是无衬线字体,是一种通用字体族。
  45. # 常见的无衬线字体有 Trebuchet MS, Tahoma, Verdana, Arial, Helvetica, 中文的幼圆、隶书等等
  46. mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体 SimHei为黑体
  47. mpl.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
  48. #将fig画布分隔成2行2列,不共享x轴和y轴,fig画布的大小为(13,8)
  49. #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
  50. fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,9))
  51. LabelsColors = []
  52. for i in datingLabels:
  53. if i == 1:
  54. LabelsColors.append('black')
  55. if i == 2:
  56. LabelsColors.append('orange')
  57. if i == 3:
  58. LabelsColors.append('red')
  59. #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
  60. axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
  61. #设置标题,x轴label,y轴label
  62. axs0_title_text = axs[0][0].set_title('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')
  63. axs0_xlabel_text = axs[0][0].set_xlabel('每年获得的飞行常客里程数')
  64. axs0_ylabel_text = axs[0][0].set_ylabel('玩视频游戏所消耗时间占')
  65. plt.setp(axs0_title_text, size=12, weight='bold', color='red')
  66. plt.setp(axs0_xlabel_text, size=10, weight='bold', color='black')
  67. plt.setp(axs0_ylabel_text, size=10, weight='bold', color='black')
  68. #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
  69. axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
  70. #设置标题,x轴label,y轴label
  71. axs1_title_text = axs[0][1].set_title('每年获得的飞行常客里程数与每周消费的冰激淋公升数',)
  72. axs1_xlabel_text = axs[0][1].set_xlabel('每年获得的飞行常客里程数')
  73. axs1_ylabel_text = axs[0][1].set_ylabel('每周消费的冰激淋公升数')
  74. plt.setp(axs1_title_text, size=12, weight='bold', color='red')
  75. plt.setp(axs1_xlabel_text, size=10, weight='bold', color='black')
  76. plt.setp(axs1_ylabel_text, size=10, weight='bold', color='black')
  77. #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
  78. axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
  79. #设置标题,x轴label,y轴label
  80. axs2_title_text = axs[1][0].set_title('玩视频游戏所消耗时间占比与每周消费的冰激淋公升数')
  81. axs2_xlabel_text = axs[1][0].set_xlabel('玩视频游戏所消耗时间占比')
  82. axs2_ylabel_text = axs[1][0].set_ylabel('每周消费的冰激淋公升数')
  83. plt.setp(axs2_title_text, size=12, weight='bold', color='red')
  84. plt.setp(axs2_xlabel_text, size=10, weight='bold', color='black')
  85. plt.setp(axs2_ylabel_text, size=10, weight='bold', color='black')
  86. #设置图例
  87. didntLike = mlines.Line2D([], [], color='black', marker='.', markersize=6, label='不喜欢')
  88. smallDoses = mlines.Line2D([], [], color='orange', marker='.',markersize=6, label='魅力一般')
  89. largeDoses = mlines.Line2D([], [], color='red', marker='.',markersize=6, label='极具魅力')
  90. #添加图例
  91. axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
  92. axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
  93. axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
  94. #显示图片
  95. plt.show()
  96. '''
  97. #准备数据,数据归一化处理
  98. '''
  99. def autoNorm(dataSet):
  100. #获得每列数据的最小值和最大值
  101. minVals = dataSet.min(0)
  102. maxVals = dataSet.max(0)
  103. #最大值和最小值的范围
  104. ranges = maxVals - minVals
  105. #shape(dataSet)返回dataSet的矩阵行列数
  106. #normDataSet = np.zeros(np.shape(dataSet))
  107. #返回dataSet的行数
  108. m = dataSet.shape[0]
  109. #原始值减去最小值
  110. normDataSet = dataSet - np.tile(minVals, (m, 1))
  111. #除以最大和最小值的差,得到归一化数据
  112. normDataSet = normDataSet / np.tile(ranges, (m, 1))
  113. #返回归一化数据结果,数据范围,最小值
  114. return normDataSet, ranges, minVals
  115. '''
  116. KNN算法分类器
  117. # inX - 用于分类的数据(测试集)
  118. # dataSet - 用于训练的数据(训练集)
  119. # labes - 训练数据的分类标签
  120. # k - kNN算法参数,选择距离最小的k个点
  121. # sortedClassCount[0][0] - 分类结果
  122. '''
  123. def classify0(inX, dataSet, labels, k):
  124. #numpy函数shape[0]返回dataSet的行数
  125. dataSetSize = dataSet.shape[0]
  126. #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)
  127. diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
  128. #二维特征相减后平方
  129. sqDiffMat = diffMat**2
  130. #sum()所有元素相加,sum(0)列相加,sum(1)行相加
  131. sqDistances = sqDiffMat.sum(axis=1)
  132. #开方,计算出距离
  133. distances = sqDistances**0.5
  134. #返回distances中元素从小到大排序后的索引值
  135. sortedDistIndices = distances.argsort()
  136. #定一个记录类别次数的字典
  137. classCount = {}
  138. for i in range(k):
  139. #取出前k个元素的类别
  140. voteIlabel = labels[sortedDistIndices[i]]
  141. #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。
  142. #计算类别次数
  143. classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
  144. #python3中用items()替换python2中的iteritems()
  145. #key=operator.itemgetter(1)根据字典的值进行排序
  146. #key=operator.itemgetter(0)根据字典的键进行排序
  147. #reverse降序排序字典
  148. sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
  149. #返回次数最多的类别,即所要分类的类别
  150. return sortedClassCount[0][0]
  151. '''
  152. #测试算法,计算分类器的错误率,验证分类器
  153. '''
  154. def datingClassTest():
  155. #打开的文件名
  156. filename = "datingTestSet.txt"
  157. #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
  158. datingDataMat, datingLabels = file2matrix(filename)
  159. #取所有数据的百分之十
  160. hoRatio = 0.10
  161. #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
  162. normMat, ranges, minVals = autoNorm(datingDataMat)
  163. #获得normMat的行数
  164. m = normMat.shape[0]
  165. #百分之十的测试数据的个数
  166. numTestVecs = int(m * hoRatio)
  167. #分类错误计数
  168. errorCount = 0.0
  169. for i in range(numTestVecs):
  170. #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
  171. classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],datingLabels[numTestVecs:m], 4)
  172. print("分类结果:%d 真实类别:%d" % (classifierResult, datingLabels[i]))
  173. if classifierResult != datingLabels[i]:
  174. errorCount += 1.0
  175. print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))
  176. '''
  177. #使用算法,构建完整可用系统
  178. '''
  179. def classifyPerson():
  180. #输出结果
  181. resultList = ['不喜欢','有些喜欢','非常喜欢']
  182. #三维特征用户输入
  183. ffMiles = float(input("每年获得的飞行常客里程数:"))
  184. precentTats = float(input("玩视频游戏所耗时间百分比:"))
  185. iceCream = float(input("每周消费的冰激淋公升数:"))
  186. #打开的文件名
  187. filename = "datingTestSet.txt"
  188. #打开并处理数 据
  189. datingDataMat, datingLabels = file2matrix(filename)
  190. #训练集归一化
  191. normMat, ranges, minVals = autoNorm(datingDataMat)
  192. #生成NumPy数组,测试集
  193. inArr = np.array([ffMiles,precentTats, iceCream])
  194. #测试集归一化
  195. norminArr = (inArr - minVals) / ranges
  196. #返回分类结果
  197. classifierResult = classify0(norminArr, normMat, datingLabels, 3)
  198. #打印结果
  199. print("你可能%s这个人" % (resultList[classifierResult-1]))
  200. '''
  201. #主函数,测试以上各个步骤,并输出各个步骤的结果
  202. '''
  203. if __name__ == '__main__':
  204. #打开的文件名
  205. filename = "datingTestSet.txt"
  206. #打开并处理数据
  207. datingDataMat, datingLabels = file2matrix(filename)
  208. #数据可视化
  209. showdatas(datingDataMat, datingLabels)
  210. #验证分类器
  211. datingClassTest()
  212. #使用分类器
  213. classifyPerson()

5、项目结果

(1)数据可视化结果

KNN算法项目实战——改进婚恋网站的配对效果

(2)验证分类器计算错误率结果

KNN算法项目实战——改进婚恋网站的配对效果

(3)使用分类器根据输入数据获得预测结果

KNN算法项目实战——改进婚恋网站的配对效果

相关推荐