1.算法简介
k-近邻算法的工作原理是:存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本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,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。最后,选择k个最相似数据中出现最多的分类,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。 适用数据范围:数值型和标准型。
k-近邻算法的一般流程如书中所示:
2.举例说明
以电影分类为例,可以使用kNN来分类一个电影是爱情片还是动作片。
上图是一个数据集合,即训练样本集。一般来说,我们把接吻镜头多的,分为爱情片。打斗镜头多的,分为动作片。按照原有的6部电影的数据,即使不知道未知电影属于哪种类型,我们也可以通过计算与这些电影的距离来判断。
上图中,我们得到了样本中的电影与未知电影的距离。假定k=3,离未知电影最近的3部均为爱情片,因此我们判断未知电影是爱情片。
3.代码实现
以改进约会网站配对为例
准备数据:从文本文件中解析数据
将文本记录到转换NumPy的解析程序
def file2matrix(filename): # 打开文件 fr = open(filename) # 读取文件所有内容 arrayOlines = fr.readlines() # 得到文件行数 numberOfLines = len(arrayOlines) # 返回的NumPy矩阵numberOfLines行,3列 returnMat = np.zeros((numberOfLines, 3)) # 创建分类标签向量 classLabelVector = [] # 行的索引值 index = 0 # 读取每一行 for line in arrayOlines: # 去掉每一行首尾的空白符,例如'\n','\r','\t',' ' line = line.strip() # 将每一行内容根据'\t'符进行切片,本例中一共有4列 listFromLine = line.split('\t') # 将数据的前3列进行提取保存在returnMat矩阵中,也就是特征矩阵 returnMat[index, :] = listFromLine[0:3] # 放于returnMat的index行 # 根据文本内容进行分类1:不喜欢;2:一般;3:喜欢 if listFromLine[-1] == 'didntLike': classLabelVector.append(1) elif listFromLine[-1] == 'smallDoses': classLabelVector.append(2) elif listFromLine[-1] == 'largeDoses': classLabelVector.append(3) index += 1 # 返回标签列向量以及特征矩阵 return returnMat, classLabelVector
分析数据:使用Matplotlib创建散点图
import matplotlib import matplotlib.pyplot as plt fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2], 15.0*array(datingLabels), 15.0*array(datingLabels)) plt.show()
准备数据:归一化数值
归一化特征值
def autoNorm(dataSet): # 获取数据的最小值 minVals = dataSet.min(0) # 获取数据的最大值 maxVals = dataSet.max(0) # 最大值和最小值的范围 ranges = maxVals - minVals # shape(dataSet)返回dataSet的矩阵行列数 normDataSet = np.zeros(np.shape(dataSet)) # numpy函数shape[0]返回dataSet的行数 m = dataSet.shape[0] # 原始值减去最小值(x-xmin) normDataSet = dataSet - np.tile(minVals, (m, 1)) # 差值除以最大值和最小值的差值(x-xmin)/(xmax-xmin) normDataSet = normDataSet / np.tile(ranges, (m, 1)) # 归一化数据结果,数据范围,最小值 return normDataSet, ranges, minVals
测试算法:作为完整程序验证分类器
分类器针对约会网站的测试代码
def datingClassTest(): # 打开文件名 filename = "datingTestSet.txt" # 将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中 datingDataMat, datingLabels = file2matrix(filename) # 取所有数据的10% hoRatio越小,错误率越低 hoRatio = 0.10 # 数据归一化,返回归一化数据结果,数据范围,最小值 normMat, ranges, minVals = autoNorm(datingDataMat) # 获取normMat的行数 m = normMat.shape[0] # 10%的测试数据的个数 numTestVecs = int(m * hoRatio) # 分类错误计数 errorCount = 0.0 for i in range(numTestVecs): # 前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集 # k选择label数+1(结果比较好) classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :], \ datingLabels[numTestVecs:m], 4) print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i])) if classifierResult != datingLabels[i]: errorCount += 1.0 print("错误率:%f%%" % (errorCount / float(numTestVecs) * 100))
使用算法:构建完整可用系统
约会网站预测函数
def classifyPerson(): # 输出结果 resultList = ['讨厌', '有些喜欢', '非常喜欢'] # 三维特征用户输入 percentTats = float(input("玩视频游戏所消耗时间百分比:")) ffMiles = float(input("每年获得的飞行常客里程数:")) iceCream = float(input("每周消费的冰淇淋公升数:")) # 打开的文件名 filename = "datingTestSet.txt" # 打开并处理数据 datingDataMat, datingLabels = file2matrix(filename) # 训练集归一化 normMat, ranges, minVals = autoNorm(datingDataMat) # 生成NumPy数组,测试集 inArr = np.array([percentTats, ffMiles, iceCream]) # 测试集归一化 norminArr = (inArr - minVals) / ranges # 返回分类结果 classifierResult = classify0(norminArr, normMat, datingLabels, 4) # 打印结果 print("你可能%s这个人" % (resultList[classifierResult - 1]))
4.总结
K-NN是一种基于实例的学习,或者是局部近似和将所有计算推迟到分类之后的惰性学习。k-近邻算法是所有的机器学习算法中最简单的之一。