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。
k-近邻算法
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:数值型和标称型。
k-近邻算法(kNN),它的工作原理是: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。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。
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 k-近邻 算法中k的出处,通常k是不大于20的整数。
k-近邻算法的一般流程
(1) 收集数据:可以使用任何方法。
(2) 准备数据:距离计算所需要的数值,最好是结构化的数据格式。
(3) 分析数据:可以使用任何方法。
(4) 训练算法:此步骤不适用于k-近邻算法。
(5) 测试算法:计算错误率。
(6) 使用算法:首先需要输入样本数据和结构化的输出结果,然后运行k-近邻算法判定输入数据分别属于哪个分类,最后应用对计算出的分类执行后续的处理。
创建名为kNN.py的Python模块,写入一下代码
import numpy as np ''' Parameters: 无 Returns: group - 数据集 labels - 分类标签 ''' # 函数说明:创建数据集 def createDataSet(): # 四组二维特征 group = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) # 四组特征的标签 labels = ['A', 'A', 'B', 'B'] return group, labels if __name__ == '__main__': group, labels = createDataSet() print(group) print(labels)
>>> [[1. 1.1] [1. 1. ] [0. 0. ] [0. 0.1]] ['A', 'A', 'B', 'B']
这里有4组数据,每组数据有两个已知的属性或者特征值。上面的group矩阵每行包含一个不同的数据,我们可以把它想象为某个日志文件中不同的测量点或者入口。由于人类大脑的限制,通常只能可视化处理三维以下的事务。因此为了简单地实现数据可视化,对于每个数据点通常只使用两个特征。
向量labels包含了每个数据点的标签信息,labels包含的元素个数等于group矩阵行数。这里将数据点(1, 1.1)定义为类A,数据点(0, 0.1)定义为类B
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频率;
(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。
根据两点距离公式(欧氏距离公式),计算两个向量点xA和xB之间的距离。
d = ( x A 0 − x B 0 ) 2 + ( x A 1 − x B 1 ) 2 d = \sqrt {(xA_0 - xB_0)^2 + (xA_1 - xB_1)^2} d=(xA0−xB0)2+(xA1−xB1)2
按照步骤,接下来对数据按照从小到大的次序排序。选择距离最小的前k个点,并返回分类结果
''' Parameters: inX - 用于分类的数据(测试集) dataSet - 用于训练的数据(训练集) labes - 分类标签 k - kNN算法参数,选择距离最小的k个点 Returns: sortedClassCount[0][0] - 分类结果 ''' # 函数说明:kNN算法,分类器 def classify0(inX, dataSet, labels, k): # numpy函数shape[0]返回dataSet的行数 dataSetSize = dataSet.shape[0] # 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) 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 # 返回distances中元素从小到大排序后的索引值 sortedDistIndicies = distances.argsort() # 定一个记录类别次数的字典 classCount = {} for i in range(k): # 取出前k个元素的类别 voteIlabel = labels[sortedDistIndicies[i]] # dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字段中返回默认值 # 计算类别次数 classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 # python3 中items()替代了iteritems() # key=operator.itemgetter(1)根据字典的值进行排序 # key=operator.itemgetter(0)根据字典的键进行排序 # reverse降序排序字典 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]
if __name__ == '__main__': group, labels = createDataSet() test = [0, 0] test_class = classify0(test, group, labels, 3) print(test_class)
>>> B
“分类器何种情况下会出错?”或者“答案是否总是正确的?”答案是否定的,分类器并不会得到百分百正确的结果,我们可以使用多种方法检测分类器的正确率。此外分类器的性能也会受到多种因素的影响,如分类器设置和数据集等。除此之外,不同的算法在不同数据集上的表现可能完全不同。
为了测试分类器的效果,我们可以使用已知答案的数据,当然答案不能告诉分类器,检验分类器给出的结果是否符合预期结果。通过大量的测试数据,我们可以得到分类器的错误率——分类器给出错误结果的次数除以测试执行的总数。错误率是常用的评估方法,主要用于评估分类器在某个数据集上的执行效果。完美分类器的错误率为0,最差分类器的错误率是1.0。同时,我们也不难发现,k-近邻算法没有进行数据的训练,直接使用未知的数据与已知的数据进行比较,得到结果。因此,可以说k-邻近算法不具有显式的学习过程。
在约会网站上使用k-近邻算法
(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) 训练算法:此步骤不适用于k-近邻算法。
(5) 测试算法:使用海伦提供的部分数据作为测试样本。测试样本和非测试样本的区别在于:测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记为一个错误。
(6) 使用算法:产生简单的命令行程序,然后海伦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。
准备数据:从文本文件中解析数据
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。海伦的样本主要包含以下3种特征:
数据中的标记分为三类:largeDoses、smallDoses、didntLike
在将上述特征数据输入到分类器前,必须将待处理的数据的格式改变为分类器可以接收的格式。将数据分类两部分,即 特征矩阵 和对应的 分类标签 向量。在kNN.py中创建名为file2matrix的函数,以此来处理输入格式问题。该函数的输入为文件名字符串,输出为 训练样本矩阵 和 类标签向量。
''' Parameters: filename - 文件名 Returns: returnMat - 特征矩阵 classLabelVector - 分类Label向量 ''' # 函数说明:打开并解析文件,对数据进行分类:1代表‘didntLike’不喜欢,2代表‘smallDoses’魅力一般,3代表‘largeDoses’极具魅力 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,解析完成的数据:numberOfLines行,3列 returnMat = np.zeros((numberOfLines, 3)) # 返回的分类标签向量 classLabelVector = [] # 行的索引值 index = 0 for line in arrayOLines: # s.strip(rm),当rm空时,默认删除空白符(包括'\n','\r','\t',' ') line = line.strip() # 使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。 listFromLine = line.split('\t') # 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 returnMat[index, :] = listFromLine[0:3] # 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 if listFromLine[-1] == 'didntLike': classLabelVector.append(1) elif listFromLine[-1] == 'smallDoses': classLabelVector.append(2) elif listFromLine[-1] == 'largeDoses': classLabelVector.append(3) index += 1 return returnMat, classLabelVector if __name__ == '__main__': filename = "datingTestSet.txt" datingDataMat, datingLabels = file2matrix(filename) print(datingDataMat) print(datingLabels)
>>> [[4.0920000e+04 8.3269760e+00 9.5395200e-01] [1.4488000e+04 7.1534690e+00 1.6739040e+00] [2.6052000e+04 1.4418710e+00 8.0512400e-01] ... [2.6575000e+04 1.0650102e+01 8.6662700e-01] [4.8111000e+04 9.1345280e+00 7.2804500e-01] [4.3757000e+04 7.8826010e+00 1.3324460e+00]] [3, 2, 1, 1, 1, 1, 3, 3, 1, 3, 1, 1, 2, 1, 1, 1, 1, 1, 2, 3, 2, 1, 2, 3, 2, 3, 2, 3, 2, 1, 3, 1, 3, 1, 2, 1, 1, 2, 3, 3, 1, 2, 3, 3, 3, 1, 1, 1, 1, 2, 2, 1, 3, 2, 2, 2, 2, 3, 1, 2, 1, 2, 2, 2, 2, 2, 3, 2, 3, 1, 2, 3, 2, 2, 1, 3, 1, 1, 3, 3, 1, 2, 3, 1, 3, 1, 2, 2, 1, 1, 3, 3, 1, 2, 1, 3, 3, 2, 1, 1, 3, 1, 2, 3, 3, 2, 3, 3, 1, 2, 3, 2, 1, 3, 1, 2, 1, 1, 2, 3, 2, 3, 2, 3, 2, 1, 3, 3, 3, 1, 3, 2, 2, 3, 1, 3, 3, 3, 1, 3, 1, 1, 3, 3, 2, 3, 3, 1, 2, 3, 2, 2, 3, 3, 3, 1, 2, 2, 1, 1, 3, 2, 3, 3, 1, 2, 1, 3, 1, 2, 3, 2, 3, 1, 1, 1, 3, 2, 3, 1, 3, 2, 1, 3, 2, 2, 3, 2, 3, 2, 1, 1, 3, 1, 3, 2, 2, 2, 3, 2, 2, 1, 2, 2, 3, 1, 3, 3, 2, 1, 1, 1, 2, 1, 3, 3, 3, 3, 2, 1, 1, 1, 2, 3, 2, 1, 3, 1, 3, 2, 2, 3, 1, 3, 1, 1, 2, 1, 2, 2, 1, 3, 1, 3, 2, 3, 1, 2, 3, 1, 1, 1, 1, 2, 3, 2, 2, 3, 1, 2, 1, 1, 1, 3, 3, 2, 1, 1, 1, 2, 2, 3, 1, 1, 1, 2, 1, 1, 2, 1, 1, 1, 2, 2, 3, 2, 3, 3, 3, 3, 1, 2, 3, 1, 1, 1, 3, 1, 3, 2, 2, 1, 3, 1, 3, 2, 2, 1, 2, 2, 3, 1, 3, 2, 1, 1, 3, 3, 2, 3, 3, 2, 3, 1, 3, 1, 3, 3, 1, 3, 2, 1, 3, 1, 3, 2, 1, 2, 2, 1, 3, 1, 1, 3, 3, 2, 2, 3, 1, 2, 3, 3, 2, 2, 1, 1, 1, 1, 3, 2, 1, 1, 3, 2, 1, 1, 3, 3, 3, 2, 3, 2, 1, 1, 1, 1, 1, 3, 2, 2, 1, 2, 1, 3, 2, 1, 3, 2, 1, 3, 1, 1, 3, 3, 3, 3, 2, 1, 1, 2, 1, 3, 3, 2, 1, 2, 3, 2, 1, 2, 2, 2, 1, 1, 3, 1, 1, 2, 3, 1, 1, 2, 3, 1, 3, 1, 1, 2, 2, 1, 2, 2, 2, 3, 1, 1, 1, 3, 1, 3, 1, 3, 3, 1, 1, 1, 3, 2, 3, 3, 2, 2, 1, 1, 1, 2, 1, 2, 2, 3, 3, 3, 1, 1, 3, 3, 2, 3, 3, 2, 3, 3, 3, 2, 3, 3, 1, 2, 3, 2, 1, 1, 1, 1, 3, 3, 3, 3, 2, 1, 1, 1, 1, 3, 1, 1, 2, 1, 1, 2, 3, 2, 1, 2, 2, 2, 3, 2, 1, 3, 2, 3, 2, 3, 2, 1, 1, 2, 3, 1, 3, 3, 3, 1, 2, 1, 2, 2, 1, 2, 2, 2, 2, 2, 3, 2, 1, 3, 3, 2, 2, 2, 3, 1, 2, 1, 1, 3, 2, 3, 2, 3, 2, 3, 3, 2, 2, 1, 3, 1, 2, 1, 3, 1, 1, 1, 3, 1, 1, 3, 3, 2, 2, 1, 3, 1, 1, 3, 2, 3, 1, 1, 3, 1, 3, 3, 1, 2, 3, 1, 3, 1, 1, 2, 1, 3, 1, 1, 1, 1, 2, 1, 3, 1, 2, 1, 3, 1, 3, 1, 1, 2, 2, 2, 3, 2, 2, 1, 2, 3, 3, 2, 3, 3, 3, 2, 3, 3, 1, 3, 2, 3, 2, 1, 2, 1, 1, 1, 2, 3, 2, 2, 1, 2, 2, 1, 3, 1, 3, 3, 3, 2, 2, 3, 3, 1, 2, 2, 2, 3, 1, 2, 1, 3, 1, 2, 3, 1, 1, 1, 2, 2, 3, 1, 3, 1, 1, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 2, 2, 2, 3, 1, 3, 1, 2, 3, 2, 2, 3, 1, 2, 3, 2, 3, 1, 2, 2, 3, 1, 1, 1, 2, 2, 1, 1, 2, 1, 2, 1, 2, 3, 2, 1, 3, 3, 3, 1, 1, 3, 1, 2, 3, 3, 2, 2, 2, 1, 2, 3, 2, 2, 3, 2, 2, 2, 3, 3, 2, 1, 3, 2, 1, 3, 3, 1, 2, 3, 2, 1, 3, 3, 3, 1, 2, 2, 2, 3, 2, 3, 3, 1, 2, 1, 1, 2, 1, 3, 1, 2, 2, 1, 3, 2, 1, 3, 3, 2, 2, 2, 1, 2, 2, 1, 3, 1, 3, 1, 3, 3, 1, 1, 2, 3, 2, 2, 3, 1, 1, 1, 1, 3, 2, 2, 1, 3, 1, 2, 3, 1, 3, 1, 3, 1, 1, 3, 2, 3, 1, 1, 3, 3, 3, 3, 1, 3, 2, 2, 1, 1, 3, 3, 2, 2, 2, 1, 2, 1, 2, 1, 3, 2, 1, 2, 2, 3, 1, 2, 2, 2, 3, 2, 1, 2, 1, 2, 3, 3, 2, 3, 1, 1, 3, 3, 1, 2, 2, 2, 2, 2, 2, 1, 3, 3, 3, 3, 3, 1, 1, 3, 2, 1, 2, 1, 2, 2, 3, 2, 2, 2, 3, 1, 2, 1, 2, 2, 1, 1, 2, 3, 3, 1, 1, 1, 1, 3, 3, 3, 3, 3, 3, 1, 3, 3, 2, 3, 2, 3, 3, 2, 2, 1, 1, 1, 3, 3, 1, 1, 1, 3, 3, 2, 1, 2, 1, 1, 2, 2, 1, 1, 1, 3, 1, 1, 2, 3, 2, 2, 1, 3, 1, 2, 3, 1, 2, 2, 2, 2, 3, 2, 3, 3, 1, 2, 1, 2, 3, 1, 3, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 2, 2, 2, 2, 2, 1, 3, 3, 3]
上面是特征矩阵,下面是标签向量。
现在已经从文本文件中导入了数据,并将其格式化为想要的格式,接着我们需要了解数据的真实含义。当然我们可以直接浏览文本文件,但是这种方法非常不友好,一般来说,我们会采用图形化的方式直观地展示数据。下面就用Python工具来图形化展示数据内容,以便辨识出一些数据模式。
from matplotlib.font_manager import FontProperties import matplotlib.lines as mlines import matplotlib.pyplot as plt import numpy as np ''' Parameters: datingDataMat - 特征矩阵 datingLabels - 分类Label Returns: 无 ''' # 函数说明:可视化数据 def showdatas(datingDataMat, datingLabels): # 设置汉字格式 font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14) # 将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8) # 当nrows=2,ncols=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 fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8)) numberOfLabels = len(datingLabels) LabelsColors = [] for i in datingLabels: if i == 1: LabelsColors.append('black') if i == 2: LabelsColors.append('orange') if i == 3: LabelsColors.append('red') # 画出散点图,以datingDataMat矩阵的第一列(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 axs[0][0].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 1], color=LabelsColors, s=15, alpha=.5) # 设置标题,x轴label,y轴label axs0_title_text = axs[0][0].set_title(u'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', FontProperties=font) axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font) axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占比', FontProperties=font) plt.setp(axs0_title_text, size=9, weight='bold', color='red') plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black') # 画出散点图,以datingDataMat矩阵的第一列(飞行常客例程)、第二列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5 axs[0][1].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5) axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激凌公升数', FontProperties=font) axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font) axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激凌公升数', FontProperties=font) plt.setp(axs1_title_text, size=9, weight='bold', color='red') plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black') # 画出散点图,以datingDataMat矩阵的第一列(玩游戏)、第二列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5 axs[1][0].scatter(x=datingDataMat[:, 1], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5) axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激凌公升数', FontProperties=font) axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比', FontProperties=font) axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激凌公升数', FontProperties=font) plt.setp(axs2_title_text, size=9, weight='bold', color='red') plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black') # 设置图例 didntLike = mlines.Line2D([], [], color='black', marker='.', markersize=6, label='didntLike') smallDoses = mlines.Line2D([], [], color='orange', marker='.', markersize=6, label='smallDoses') largeDoses = mlines.Line2D([], [], color='red', marker='.', markersize=6, label='largeDoses') # 添加图例 axs[0][0].legend(handles=[didntLike, smallDoses, largeDoses]) axs[0][1].legend(handles=[didntLike, smallDoses, largeDoses]) axs[1][0].legend(handles=[didntLike, smallDoses, largeDoses]) # 显示图片 plt.show()
if __name__ == '__main__': filename = "datingTestSet.txt" datingDataMat, datingLabels = file2matrix(filename) showdatas(datingDataMat, datingLabels)
在处理不同取值范围的特征值时,通常采用的方法是将数值归一化,如将取值范围处理为0到1或者-1到1之间。下面的公式可以将任意取值范围的特征值转化为0到1区间内的值:
n
e
w
V
a
l
u
e
=
(
o
l
d
V
a
l
u
e
−
m
i
n
)
/
(
m
a
x
−
m
i
n
)
newValue = (oldValue - min) / (max - min)
newValue=(oldValue−min)/(max−min)
其中min和max分别是数据集中的最小特征值和最大特征值。虽然改变数值取值范围增加了分类器的复杂度,但为了得到准确结果,我们必须这样做。
''' Parameters: dataSet - 特征矩阵 Returns: normDataSet - 归一化后的特征矩阵 ranges - 数据范围 minVals - 数据最小值 ''' # 函数说明:对数据进行归一化 def autoNorm(dataSet): # 获得数据的最小值和最大值 minVals = dataSet.min(0) 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 normDaraSet = np.zeros(np.shape(dataSet)) # 返回dataSet的行数 m = dataSet.shape[0] # 原始值减去最小值 normDaraSet = dataSet - np.tile(minVals, (m, 1)) # 除以最大和最小值的差,得到归一化数据 normDaraSet = normDaraSet / np.tile(ranges, (m, 1)) # 返回归一化数据结果,数据范围,最小值 return normDaraSet, ranges, minVals
if __name__ == '__main__': filename = "datingTestSet.txt" datingDataMat, datingLabels = file2matrix(filename) normDataSet, ranges, minVals = autoNorm(datingDataMat) print(normDataSet) print(ranges) print(minVals)
>>> [[0.44832535 0.39805139 0.56233353] [0.15873259 0.34195467 0.98724416] [0.28542943 0.06892523 0.47449629] ... [0.29115949 0.50910294 0.51079493] [0.52711097 0.43665451 0.4290048 ] [0.47940793 0.3768091 0.78571804]] [9.1273000e+04 2.0919349e+01 1.6943610e+00] [0. 0. 0.001156]
运行结果中数据进行了归一化,并且求出了数据的取值范围和数据的最小值
机器学习算法一个很重要的工作就是评估算法的正确率,通常我们只提供已有数据的90%作为训练样本来训练分类器,而使用其余的10%数据去测试分类器,检测分类器的正确率。需要注意的是,10%的测试数据应该是随机选择的。
前面已经提到可以使用错误率来检测分类器的性能。对于分类器来说,错误率就是分类器给出错误结果的次数除以测试数据的总数,完美分类器的错误率为0,而错误率为1.0的分类器不会给出任何正确的分类结果。代码里我们定义一个计数器变量,每次分类器错误地分类数据,计数器就加1,程序执行完成之后计数器的结果除以数据点总数即是错误率。
# 函数说明:分类器测试函数 def datingClassTest(): # 打开的文件名 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) # 取所有数据的百分之十 hoRatio = 0.10 # 数据归一化,返回归一化后的矩阵,数据范围,数据最小值 normMat, ranges, minVals = autoNorm(datingDataMat) # 获得normMat的行数 m = normMat.shape[0] # 百分之十的测试数据的个数 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 classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :], datingLabels[numTestVecs:m], 4) if classifierResult != datingLabels[i]: errorCount += 1.0 print("\033[31m分类结果:%d\t真实类别:%d\033[0m" % (classifierResult, datingLabels[i])) else: print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i])) print("错误率:%f%%" % (errorCount/float(numTestVecs)*100))
if __name__ == '__main__': datingClassTest()
>>> 分类结果:3 真实类别:3 分类结果:2 真实类别:2 分类结果:1 真实类别:1 ...... 分类结果:2 真实类别:2 分类结果:2 真实类别:1 分类结果:1 真实类别:1 错误率:4.000000%
上面已经在数据上对分类器进行了测试,现在可以使用这个分类器为海伦来对人们分类。我们会给海伦一小段程序,通过该程序海伦会在约会网站上找到某个人并输入他的信息。程序会给出她对对方喜欢程度的预测值。
# 函数说明:通过输入一个人的三维特征,进行分类输出 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 precentTats = 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("每周消费的冰激凌公升数:")) # 打开文件名 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([precentTats, ffMiles, iceCream]) # 测试集归一化 norminArr = (inArr - minVals) / ranges # 返回分类结果 classifierResult = classify0(norminArr, normMat, datingLabels, 3) # 打印结果 print("你可能%s这个人" % (resultList[classifierResult - 1]))
if __name__ == '__main__': classifyPerson()
>>> 玩视频游戏所消耗时间百分比:>? 10 每年获得的飞行常客里程数:>? 10000 每周消费的冰激凌公升数:>? 0.5 你可能讨厌这个人
示例:使用k-近邻算法的手写识别系统
(1) 收集数据:提供文本文件。
(2) 准备数据:编写函数classify0(),将图像格式转换为分类器使用的list格式。
(3) 分析数据:在Python命令提示符中检查数据,确保它符合要求。
(4) 训练算法:此步骤不适用于k-近邻算法。
(5) 测试算法:编写函数使用提供的部分数据集作为测试样本,测试样本与非测试样本的区别在于测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记为一个错误。
(6) 使用算法:本例没有完成此步骤,若你感兴趣可以构建完整的应用程序,从图像中提取数字,并完成数字识别,美国的邮件分拣系统就是一个实际运行的类似系统。
构造的系统只能识别数字0到9,目录trainingDigits中包含了大约2000个例子,每个数字大约有200个样本;目录testDigits中包含了大约900个测试数据。尽管采用文本格式存储图像不能有效地利用内存空间,但是为了方便理解,我们将图片转换为文本格式,数字的文本格式如图所示。
文件的名字也是有特殊含义的,格式为:数字的值_该数字的样本序号。
为了使用之前的分类器,要将一个32×32的二进制图像矩阵转换为1×1024的向量
''' Parameters: filename - 文件名 Returns: returnVect - 返回的二进制图像的1x1024向量 ''' def img2vector(filename): # 创建1x1024零向量 returnVect = np.zeros((1, 1024)) # 打开文件 fr = open(filename) # 按行读取 for i in range(32): # 读一行数据 lineStr = fr.readline() # 每一行的前32个元素依次添加到returnVect中 for j in range(32): returnVect[0, 32*i+j] = int(lineStr[j]) # 返回转换后的1x1024向量 return returnVect
if __name__ == '__main__': testVector = img2vector('digits/testDigits/0_0.txt') print(testVector[0, 0:31]) print(testVector[0, 32:63])
>>> [0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
# 函数说明:手写数字分类测试 def handwritingClassTest(): # 测试集的Labels hwLabels = [] # 返回trainingDigits目录下的文件名 trainingFileList = listdir('digits/trainingDigits') # 返回文件夹下文件的个数 m = len(trainingFileList) # 初始化训练的Mat矩阵,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 = trainingFileList[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) # 将每一个文件的1x1024数据存储到trainingMat矩阵中 trainingMat[i, :] = img2vector('digits/trainingDigits/%s' % (fileNameStr)) # 返回testDigits目录下的文件列表 testFileList = listdir('digits/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): fileNameStr = testFileList[i] classNumber = int(fileNameStr.split('_')[0]) # 获得测试集的1x1024向量,用于训练 vectorUnderTest = img2vector('digits/testDigits/%s' % (fileNameStr)) classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) if(classifierResult != classNumber): print("\033[31m分类返回结果为%d\t真实结果为%d\033[0m" % (classifierResult, classNumber)) errorCount += 1.0 else: print("分类返回结果为%d\t真实结果为%d" % (classifierResult, classNumber)) print("总共错了%d个数据\n错误率为%f%%" % (errorCount, errorCount/mTest *100))
if __name__ == '__main__': handwritingClassTest()
分类返回结果为0 真实结果为0 分类返回结果为0 真实结果为0 ...... 分类返回结果为1 真实结果为1 分类返回结果为7 真实结果为1 ...... 分类返回结果为9 真实结果为9 分类返回结果为5 真实结果为9 分类返回结果为9 真实结果为9 总共错了12个数据 错误率为1.268499%
将图片转为32x32数组用文本文件储存
主要的流程就是将图片打开之后,进行降噪处理,然后将其灰度化,最后设置一个阙值将其二值化保存到一个32*32的数组中。
from PIL import Image import matplotlib.pylab as plt import numpy as np from os import listdir ''' Parameters: filename - 文件名 Returns: 无 ''' # 函数说明:将图片转换为32*32像素的文件,用 0 1 表示 def picTo01(filename): # 打开图片 img = Image.open(filename).convert('RGBA') # 得到图片的像素值 raw_data = img.load() # 获取图片的宽和高 width = img.size[0] height = img.size[1] # 将其降噪并转化为黑白两色 for i in range(height): for j in range(width): if raw_data[j, i][0] < 90: raw_data[j, i] = (0, 0, 0, 255) for i in range(height): for j in range(width): if raw_data[j, i][1] < 136: raw_data[j, i] = (0, 0, 0, 255) for i in range(height): for j in range(width): if raw_data[j, i][2] > 0: raw_data[j, i] = (255, 255, 255, 255) # 设置为32*32的大小 img = img.resize((32, 32), Image.LANCZOS) # 进行保存 img.save('test.png') # 得到像素数组,为(32,32,4) array = plt.array(img) # 按照公式将其转为01 gray_array = np.zeros((32, 32)) for i in range(array.shape[0]): for j in range(array.shape[1]): # 计算灰度,若为255则为白色,数值越小越接近黑色 gray = 0.299 * array[i][j][0] + 0.587 * array[i][j][1] + 0.114 * array[i][j][2] # 设置一个阈值,记为0 if gray == 255: gray_array[i][j] = 0 else: # 否则为黑色,记为1 gray_array[i][j] = 1 # 得到对应名称的txt文件 name01 = filename.split('.')[0] name01 = name01.split('/')[-1] name01 = name01 + '.txt' # 保存到文件中 np.savetxt('F:\\PyCharm 2021.2.1\\pythonProject\\tests\\digits\\textDigits\\' + name01, gray_array, fmt='%d', delimiter='') if __name__ == '__main__': fileList = listdir('digits/imageDigits') m = len(fileList) for i in range(m): print(fileList[i]) picTo01('digits/imageDigits/' + fileList[i])
原图片
生成的32x32黑白图片
生成的32x32数组的文本文件