《机器学习实战》--KNN

PeterHuang0

2019-12-11

关注关注

代码来自《机器学习实战》https://github.com/wzy6642/Machine-Learning-in-Action-Python3

K-近邻算法(KNN)

介绍

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。

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，无法给出数据的内在含义。

使用数据范围：数值型、标称型。

分类函数的伪代码：

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概率；

（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。

"""创建数据集
返回: group - 数据集
     labels - 分类标签
"""
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


"""
KNN算法，分类器
参数：
    inX - 用于分类的数据（测试集）
    dataSet - 用于训练的数据（训练集）（n*1维列向量)
    labels - 分类标准（n*1维列向量)
    k - KNN算法参数，选择距离最小的k个点
返回：
    sortedClasscount[0][0] - 分类结果
"""
def classify0(inX, dataSet, labels, k):
    # numpy函数shape[0]返回dataSet的行数（维度）
    dataSetSize = dataSet.shape[0]
    # 将inX重复dataSetSize次并排成一列
    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
    # argsort函数返回的是distances值从小到大的索引值
    sortedDistIndicies = distances.argsort()
    # 定义一个记录类别次数的词典
    classCount = {}
    # 选择距离最小的k个点
    for i in range(k):
        # 取出前k个元素的类别
        voteIlabel = labels[sortedDistIndicies[i]]
        # 字典的get()方法，返回指定键的值，如果值不在字典中返回0
        # 计算类别次数
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    # reverse降序排序字典，operator.itemgetter(1)按值排序，(0)按键排序
    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]

# 测试
group, labels = createDataSet()
classify0([0,0], group, labels, 3)  # output: ‘爱情片‘

View Code

实战：手写数字识别系统

这里只能识别数字0到9，图像为32*32像素的黑白图像，将图像转换为文本格式。

将图像格式化处理为一个向量，把32*32的二进制图像矩阵为1*2014的向量。

"""
将32*32的二进制图像转换为1*1024向量
参数：
    filename - 文件名
返回：
    returnVect - 返回二进制图像的1*1024向量
"""

def img2vector(filename):
    returnVect = np.zeros((1, 1024))
    fr = open(filename)
    # 按行读取
    for i in range(32):
        # 读取一行数据
        lineStr = fr.readline()
        # 每一行的前32个数据依次存储到returnVect中
        for j in range(32):
            returnVect[0, 32*i+j] = int(lineStr[j])
    # 返回转换后的1*1024向量
    return returnVect

# 测试
testVector = img2vector(‘testDigits/0_13.txt‘)
testVector[0, 0:31]
# output: array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1.,
#        1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

View Code

测试算法

"""
手写数字分类测试
参数：
    None
返回:
    None
"""
def handwritingClassTest():
    # 测试集的labels
    hwLabels = []
    # 返回trainingDigits目录下的文件名
    trainingFilesList = listdir(‘trainingDigits‘)
    # 返回文件夹下文件的个数
    m = len(trainingFilesList)
    # 初始化训练的Mat矩阵（全零针），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 = trainingFilesList[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)
        # 将每个文件的1*1024数据存储到trainingMat矩阵中
        trainingMat[i, :] = img2vector(‘trainingDigits/%s‘ % (fileNameStr))
    # 构造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):
        # 获得文件名字
        fileNameStr = testFileList[i]
        # 获得分类的数字
        classNumber = int(fileNameStr.split(‘_‘)[0])
        # 获得测试集的1*1024向量，用于训练
        vectorUnderTest = img2vector(‘testDigits/%s‘ % (fileNameStr))
        # 获得预测结果
        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))

机器学习机器学习实战 knn