Fighting365 机器学习算法与Python学习
简单的说,KNN算法采用测量不同特征值之间的距离方法进行分类。工作原理:存在一个样本数据集,即训练数据集,并且样本集中每个样本数据都存在标签,即我们知道样本数据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。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KNN算法中的k的出处,通常K是大于20的整数。最后,选择k个最相似的数据中出现次数最多的分类作为新数据的分类。
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
适用范围:数值型和标称型
今天我们将使用KNN算法改进约会网站的配对效果,首先先介绍一下该实战的背景。
美女二丫在在线约会网站寻找适合自己的约会对象时,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,她发现曾经交往过三种类型的人:
不喜欢的人 魅力一般的人 极具魅力的人
尽管发现上述的规律,但二丫依然不能将约会网站推荐匹配的对象归入恰当的分类。她可以在周一到周五月那些魅力一般的人,在周六周天约那些极具魅力的人。为此希望我们帮她设计一个可以将不同对象归入恰当的分类,为此,二丫还收提供了一些必要的信息。
收集数据:提供文本文件
准备数据:使用python解析文本文件
分析数据:使用matplotlib画二维图
训练数据:
测试算法:使用二丫提供的部分数据作为测试集
部署算法:产生简单的命令行程序,然后二丫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。
数据保存在datingTestSet.txt中,每个样本数据占据一行,总共1000行,样本主要包含以下三个特征:
每年获得的飞行里程 玩游戏所消耗的时间百分比 每周消耗的冰激凌公斤数
将文本记录转换为Numpy的解析程序:
def file2matrix(filename): fr = open(filename) numberOfLines = len(fr.readlines()) #get the number of lines in the file returnMat = zeros((numberOfLines,3)) #prepare matrix to return classLabelVector = [] #prepare labels return fr = open(filename) index = 0 for line in fr.readlines(): line = line.strip() listFromLine = line.split('\t') returnMat[index,:] = listFromLine[0:3] classLabelVector.append(int(listFromLine[-1])) index += 1 return returnMat,classLabelVector
该函数作为kNN函数的子函数存放在kNN.py文件中,在python命令行输入一下命令:
>>> import sys >>> sys.path.append('C:\Users\NEU\Desktop\JKXY\machinelearninginaction\Ch02') >>> import os >>> os.getcwd() 'C:\\Python26\\Lib\\idlelib' >>> os.chdir('C:\Users\NEU\Desktop\JKXY\machinelearninginaction\Ch02') >>> os.getcwd() 'C:\\Users\\NEU\\Desktop\\JKXY\\machinelearninginaction\\Ch02' >>> import kNN >>> datingDataMat, datintLabels = kNN.file2matrix("datingTestSet2.txt")
现在已经将文本文件导入到运行空间,并转化成所需要的格式了,接下来需要了解数据的具体含义。所以使用python工具来图像化展示数据内容,以辨识出一些数据模式。
首先使用matplotlib制作原始数据的散点图,在python命令行中输入一下命令:
>>> import matplotlib >>> import matplotlib.pyplot as plt >>> fig = plt.figure() >>> ax = fig.add_subplot(111) >>> ax.scatter(datingDataMat[:,1], datingDataMat[:,2]) <matplotlib.collections.CircleCollection object at 0x03C8A190> >>> plt.show()
没有类别标签的约会数据散点图,难以辨识图中的点属于哪一类(“玩游戏所占时间百分比”和“每周消耗的冰激凌公斤数”)
datingDataMat的第二列和第三列分别表示特征值的“玩游戏所占时间百分比”和“每周消耗的冰激凌公斤数”,第一列为“每年的飞行里程数”。由于没有使用样本分类的特征值,上图我们不能得到任何有用的数据模式信息。
在python命令行重新输入以下命令:
带有分类标签的约会数据散点图,虽然能够比较容易的区分数据点属于哪一类,但依然难以根据这张表得出结论性的信息(“玩游戏所占时间百分比”和“每周消耗的冰激凌公斤数”)