KNN算法实战-改进约会网站配对效果

Fighting365 机器学习算法与Python学习

kNN实战之改进约会网站配对效果

引言

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。

背景介绍

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。

算法流程

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。

1. 准备数据：从文本文件中解析数据

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。

2. 分析数据：使用matplotlib创建算点图

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”)