属原创文章，欢迎转载，但请注明出处：http://www.cnblogs.com/hemiy/p/6155425.html 谢谢！
代码及数据-->https://github.com/Wellat/MLaction
1 算法概述
1.1 算法特点
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
适用数据范围：数值型和标称型
1.2 工作原理
存在一个训练样本集，并且每个样本都存在标签（有监督学习）。输入没有标签的新样本数据后，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，然后算法提取出与样本集中特征最相似的数据（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，而且k通常不大于20。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。
1.3 实例解释
以电影分类为例子，使用k-近邻算法分类爱情片和动作片。有人曾经统计过很多电影的打斗镜头和接吻镜头，下图显示了6部电影的打斗和接吻镜头数。 假如有一部未看过的电影，如何确定它是爱情片还是动作片呢？
①首先需要统计这个未知电影存在多少个打斗镜头和接吻镜头，下图中问号位置是该未知电影出现的镜头数
②之后计算未知电影与样本集中其他电影的距离（相似度），具体算法先忽略，结果如下表所示：
③将相似度列表排序，选出前k个最相似的样本。此处我们假设k=3，将上表中的相似度进行排序后前3分别是：He’s Not Really into Dudes，Beautiful Woman，California Man。
④统计最相似样本的分类。此处很容易知道这3个样本均为爱情片。
⑤将分类最多的类别作为未知电影的分类。那么我们就得出结论，未知电影属于爱情片。
2 代码实现
2.1 k-近邻简单分类的应用
2.1.1 算法一般流程
2.1.2 Python实现代码及注释
1 #coding=UTF8
2 from numpy import *
3 import operator
4
5 def createDataSet():
6 """
7 函数作用：构建一组训练数据（训练样本），共4个样本
8 同时给出了这4个样本的标签，及labels
9 """
10 group = array([
11 [1.0, 1.1],
12 [1.0, 1.0],
13 [0. , 0. ],
14 [0. , 0.1]
15 ])
16 labels = [‘A‘, ‘A‘, ‘B‘, ‘B‘]
17 return group, labels
18
19 def classify0(inX, dataset, labels, k):
20 """
21 inX 是输入的测试样本，是一个[x, y]样式的
22 dataset 是训练样本集
23 labels 是训练样本标签
24 k 是top k最相近的
25 """
26 # shape返回矩阵的[行数，列数]，
27 # 那么shape[0]获取数据集的行数，
28 # 行数就是样本的数量
29 dataSetSize = dataset.shape[0]
30
31 """
32 下面的求距离过程就是按照欧氏距离的公式计算的。
33 即 根号(x^2+y^2)
34 """
35 # tile属于numpy模块下边的函数
36 # tile（A, reps）返回一个shape=reps的矩阵，矩阵的每个元素是A
37 # 比如 A=[0,1,2] 那么，tile(A, 2)= [0, 1, 2, 0, 1, 2]
38 # tile(A,(2,2)) = [[0, 1, 2, 0, 1, 2],
39 # [0, 1, 2, 0, 1, 2]]
40 # tile(A,(2,1,2)) = [[[0, 1, 2, 0, 1, 2]],
41 # [[0, 1, 2, 0, 1, 2]]]
42 # 上边那个结果的分开理解就是：
43 # 最外层是2个元素，即最外边的[]中包含2个元素，类似于[C,D],而此处的C=D，因为是复制出来的
44 # 然后C包含1个元素，即C=[E],同理D=[E]
45 # 最后E包含2个元素，即E=[F,G],此处F=G，因为是复制出来的
46 # F就是A了，基础元素
47 # 综合起来就是(2,1,2)= [C, C] = [[E], [E]] = [[[F, F]], [[F, F]]] = [[[A, A]], [[A, A]]]
48 # 这个地方就是为了把输入的测试样本扩展为和dataset的shape一样，然后就可以直接做矩阵减法了。
49 # 比如，dataset有4个样本，就是4*2的矩阵，输入测试样本肯定是一个了，就是1*2，为了计算输入样本与训练样本的距离
50 # 那么，需要对这个数据进行作差。这是一次比较，因为训练样本有n个，那么就要进行n次比较；
51 # 为了方便计算，把输入样本复制n次，然后直接与训练样本作矩阵差运算，就可以一次性比较了n个样本。
52 # 比如inX = [0,1],dataset就用函数返回的结果，那么
53 # tile(inX, (4,1))= [[ 0.0, 1.0],
54 # [ 0.0, 1.0],
55 # [ 0.0, 1.0],
56 # [ 0.0, 1.0]]
57 # 作差之后
58 # diffMat = [[-1.0,-0.1],
59 # [-1.0, 0.0],
60 # [ 0.0, 1.0],
61 # [ 0.0, 0.9]]
62 diffMat = tile(inX, (dataSetSize, 1)) - dataset
63
64 # diffMat就是输入样本与每个训练样本的差值，然后对其每个x和y的差值进行平方运算。
65 # diffMat是一个矩阵，矩阵**2表示对矩阵中的每个元素进行**2操作，即平方。
66 # sqDiffMat = [[1.0, 0.01],
67 # [1.0, 0.0 ],
68 # [0.0, 1.0 ],
69 # [0.0, 0.81]]
70 sqDiffMat = diffMat ** 2
71
72 # axis=1表示按照横轴，sum表示累加，即按照行进行累加。
73 # sqDistance = [[1.01],
74 # [1.0 ],
75 # [1.0 ],
76 # [0.81]]
77 sqDistance = sqDiffMat.sum(axis=1)
78
79 # 对平方和进行开根号
80 distance = sqDistance ** 0.5
81
82 # 按照升序进行快速排序，返回的是原数组的下标。
83 # 比如，x = [30, 10, 20, 40]
84 # 升序排序后应该是[10,20,30,40],他们的原下标是[1,2,0,3]
85 # 那么，numpy.argsort(x) = [1, 2, 0, 3]
86 sortedDistIndicies = distance.argsort()
87
88 # 存放最终的分类结果及相应的结果投票数
89 classCount = {}
90
91 # 投票过程，就是统计前k个最近的样本所属类别包含的样本个数
92 for i in range(k):
93 # index = sortedDistIndicies[i]是第i个最相近的样本下标
94 # voteIlabel = labels[index]是样本index对应的分类结果(‘A‘ or ‘B‘)
95 voteIlabel = labels[sortedDistIndicies[i]]
96 # classCount.get(voteIlabel, 0)返回voteIlabel的值，如果不存在，则返回0
97 # 然后将票数增1
98 classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
99
100 # 把分类结果进行排序，然后返回得票数最多的分类结果
101 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
102 return sortedClassCount[0][0]
103
104 if __name__== "__main__":
105 # 导入数据
106 dataset, labels = createDataSet()
107 inX = [0.1, 0.1]
108 # 简单分类
109 className = classify0(inX, dataset, labels, 3)
110 print(‘the class of test sample is %s‘ %className)
2.2 在约会网站上使用k-近邻算法
2.2.1 算法一般流程
2.2.2 Python实现代码
datingTestSet.txt 文件中有1000行的约会数据，样本主要包括以下3种特征：
- 每年获得的飞行常客里程数
- 玩视频游戏所耗时间百分比
- 每周消费的冰淇淋公升数
将上述特征数据输人到分类器之前，必须将待处理数据的格式改变为分类器可以接受的格式 。在kNN.py中创建名为 file2matrix 的函数，以此来处理输人格式问题。该函数的输人为文件名字符串，输出为训练样本矩阵和类标签向量。autoNorm 为数值归一化函数，将任意取值范围的特征值转化为0到1区间内的值。最后，datingClassTest 函数是测试代码。
将下面的代码增加到 kNN.py 中。
1 def file2matrix(filename):
2 """
3 从文件中读入训练数据，并存储为矩阵
4 """
5 fr = open(filename)
6 arrayOlines = fr.readlines()
7 numberOfLines = len(arrayOlines) #获取 n=样本的行数
8 returnMat = zeros((numberOfLines,3)) #创建一个2维矩阵用于存放训练样本数据，一共有n行，每一行存放3个数据
9 classLabelVector = [] #创建一个1维数组用于存放训练样本标签。
10 index = 0
11 for line in arrayOlines:
12 # 把回车符号给去掉
13 line = line.strip()
14 # 把每一行数据用\t分割
15 listFromLine = line.split(‘\t‘)
16 # 把分割好的数据放至数据集，其中index是该样本数据的下标，就是放到第几行
17 returnMat[index,:] = listFromLine[0:3]
18 # 把该样本对应的标签放至标签集，顺序与样本集对应。
19 classLabelVector.append(int(listFromLine[-1]))
20 index += 1
21 return returnMat,classLabelVector
22
23 def autoNorm(dataSet):
24 """
25 训练数据归一化
26 """
27 # 获取数据集中每一列的最小数值
28 # 以createDataSet()中的数据为例，group.min(0)=[0,0]
29 minVals = dataSet.min(0)
30 # 获取数据集中每一列的最大数值
31 # group.max(0)=[1, 1.1]
32 maxVals = dataSet.max(0)
33 # 最大值与最小的差值
34 ranges = maxVals - minVals
35 # 创建一个与dataSet同shape的全0矩阵，用于存放归一化后的数据
36 normDataSet = zeros(shape(dataSet))
37 m = dataSet.shape[0]
38 # 把最小值扩充为与dataSet同shape，然后作差，具体tile请翻看 第三节 代码中的tile
39 normDataSet = dataSet - tile(minVals, (m,1))
40 # 把最大最小差值扩充为dataSet同shape，然后作商，是指对应元素进行除法运算，而不是矩阵除法。
41 # 矩阵除法在numpy中要用linalg.solve(A,B)
42 normDataSet = normDataSet/tile(ranges, (m,1))
43 return normDataSet, ranges, minVals
44
45 def datingClassTest():
46 # 将数据集中10%的数据留作测试用，其余的90%用于训练
47 hoRatio = 0.10
48 datingDataMat,datingLabels = file2matrix(‘datingTestSet2.txt‘) #load data setfrom file
49 normMat, ranges, minVals = autoNorm(datingDataMat)
50 m = normMat.shape[0]
51 numTestVecs = int(m*hoRatio)
52 errorCount = 0.0
53 for i in range(numTestVecs):
54 classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
55 print("the classifier came back with: %d, the real answer is: %d, result is :%s" % (classifierResult, datingLabels[i],classifierResult==datingLabels[i]))
56 if (classifierResult != datingLabels[i]): errorCount += 1.0
57 print("the total error rate is: %f" % (errorCount/float(numTestVecs)))
58 print(errorCount)
2.3 手写识别系统实例
2.3.1 实例数据
为了简单起见，这里构造的系统只能识别数字0到9。需要识别的数字已经使用图形处理软件，处理成具有相同的色彩和大小 : 宽髙是32像素x 32像素的黑白图像。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，我们还是将图像转换为文本格式。
trainingDigits是2000个训练样本，testDigits是900个测试样本。
2.3.2 算法的流程
2.3.3 Python实现代码
将下面的代码增加到 kNN.py 中，img2vector 为图片转换成向量的方法，handwritingClassTest 为测试方法：
1 from os import listdir
2 def img2vector(filename):
3 """
4 将图片数据转换为01矩阵。
5 每张图片是32*32像素，也就是一共1024个字节。
6 因此转换的时候，每行表示一个样本，每个样本含1024个字节。
7 """
8 # 每个样本数据是1024=32*32个字节
9 returnVect = zeros((1,1024))
10 fr = open(filename)
11 # 循环读取32行，32列。
12 for i in range(32):
13 lineStr = fr.readline()
14 for j in range(32):
15 returnVect[0,32*i+j] = int(lineStr[j])
16 return returnVect
17
18 def handwritingClassTest():
19 hwLabels = []
20 # 加载训练数据
21 trainingFileList = listdir(‘trainingDigits‘)
22 m = len(trainingFileList)
23 trainingMat = zeros((m,1024))
24 for i in range(m):
25 # 从文件名中解析出当前图像的标签，也就是数字是几
26 # 文件名格式为 0_3.txt 表示图片数字是 0
27 fileNameStr = trainingFileList[i]
28 fileStr = fileNameStr.split(‘.‘)[0] #take off .txt
29 classNumStr = int(fileStr.split(‘_‘)[0])
30 hwLabels.append(classNumStr)
31 trainingMat[i,:] = img2vector(‘trainingDigits/%s‘ % fileNameStr)
32 # 加载测试数据
33 testFileList = listdir(‘testDigits‘) #iterate through the test set
34 errorCount = 0.0
35 mTest = len(testFileList)
36 for i in range(mTest):
37 fileNameStr = testFileList[i]
38 fileStr = fileNameStr.split(‘.‘)[0] #take off .txt
39 classNumStr = int(fileStr.split(‘_‘)[0])
40 vectorUnderTest = img2vector(‘testDigits/%s‘ % fileNameStr)
41 classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
42 print("the classifier came back with: %d, the real answer is: %d, The predict result is: %s" % (classifierResult, classNumStr, classifierResult==classNumStr))
43 if (classifierResult != classNumStr): errorCount += 1.0
44 print("\nthe total number of errors is: %d / %d" %(errorCount, mTest))
45 print("\nthe total error rate is: %f" % (errorCount/float(mTest)))
k-近邻算法识别手写数字数据集，错误率为1. 2%。改变变量k的值、修改函数 handwritingClassTest 随机选取训练样本、改变训练样本的数目，都会对k-近邻算法的错误率产生影响，感兴趣的话可以改变这些变量值，观察错误率的变化。
k-近邻算法是分类数据最简单最有效的算法。它必须保存全部数据集，如果训练数据集很大，必须使用大量的存储空间。此外，由于必须对数据集中的每个数据计算距离值，实际使用时可能非常耗时。其另一个缺陷是它无法给出任何数据的基础结构信息，因此我们也无法知晓平均实例样本和典型实例样本具有什么特征。
代码解释参考原贴：http://blog.csdn.net/niuwei22007/article/details/49703719
时间： 2024-11-25 12:30:20