机器学习实战_KNN（一）
作者：互联网
【是什么】
KNN 即 k_近邻算法（k- nearest neighbor) ，就是寻找K个邻居作为该样本的特征，近朱者赤，近墨者黑，你的邻居是什么特征，那么就认为你也具备该特征；核心公式为：
数据来源：https://github.com/apachecn/AiLearning/blob/master/data/2.KNN/datingTestSet2.txt
读取数据转换成矩阵
# 提取文件中的数据 转换成矩阵
def file2matric(filename):
"""
disc:
param: filename: 导入数据文本
return: 数据矩阵
"""
f = open(filename,'r',encoding= 'utf-8')
# 获取文件的行数
lines_list = f.readlines()
num_of_lines = len(lines_list)
# 创建存放标签的列表
class_label_list = []
# 生成对应的空矩阵 zeros(2,3) 就是生成2行3列的0矩阵
returnMat = np.zeros((num_of_lines,3))
# 将文本中的数据放到矩阵中
for i in range(num_of_lines):
lines = lines_list[i].strip().split('\t')
# 将文本中的前3个数据放到矩阵中
returnMat[i,:] = lines[0:3]
# 将标签存到列表中
class_label_list.append(int(lines[-1]))
# print(returnMat)
return returnMat, class_label_list
利用 matplotlib 绘制散点图
def DrawScatter(dataMat,label_list):
# 导入中文字体，及字体大小
zhfont = FontProperties(fname='C:/Windows/Fonts/simsun.ttc', size=14)
# 绘制绘图窗口 2行2列
fig,ax = plt.subplots(2,2,figsize=(13,8))
# 不同标签赋予不同颜色
label_color = []
for i in label_list:
if i == 1:
label_color.append('black')
elif i == 2:
label_color.append('orange')
elif i == 3:
label_color.append('red')
# 开始绘制散点图 设定散点尺寸与透明度
scatter_size = 12
scatter_alpha = 0.5
# ===================散点图========================
ax[0][0].scatter(dataMat[:,0], dataMat[:,1],color = label_color,s = scatter_size ,alpha = scatter_alpha)
ax[0][1].scatter(dataMat[:, 1], dataMat[:, 2], color=label_color, s=scatter_size , alpha=scatter_alpha)
ax[1][0].scatter(dataMat[:, 0], dataMat[:, 2], color=label_color, s=scatter_size , alpha=scatter_alpha)
# 坐标轴标题
title_list = ['每年获得的飞行常客里程数和玩视频游戏所消耗时间占比',
'每年获得的飞行常客里程数和每周消费的冰激淋公升数',
'玩视频游戏所消耗时间占比和每周消费的冰激淋公升数']
x_name_list = ['每年获得的飞行常客里程数','玩视频游戏所消耗时间占比','每周消费的冰激淋公升数']
y_name_list = ['玩视频游戏所消耗时间占比','每周消费的冰激淋公升数','每年获得的飞行常客里程数']
#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')
p = 0
for i in range(2):
for j in range(2):
if p > 2:
break
# 设置坐标轴名称和标题
plt.setp(ax[i][j].set_title(u'%s'%(title_list[p]),FontProperties = zhfont),size=9, weight='bold', color='red')
plt.setp(ax[i][j].set_xlabel(u'%s'%(x_name_list[p]),FontProperties = zhfont), size=7, weight='bold', color='black')
plt.setp(ax[i][j].set_ylabel(u'%s'%(y_name_list[p]),FontProperties = zhfont), size=7, weight='bold', color='black')
p+=1
# 添加图例
ax[0][0].legend(handles=[didntLike, smallDoses, largeDoses])
ax[0][1].legend(handles=[didntLike, smallDoses, largeDoses])
ax[1][0].legend(handles=[didntLike, smallDoses, largeDoses])
plt.show()
对数据进行归一化处理
由于不同数据的范围波动不同，在权重一样的情况下，需要进行归一化，即将数据转换成0-1之间
# 对矩阵进行归一化处理
def dataNorm(dataMat):
"""
:param dataMat:
:return: 归一化后的数据集
归一化公式： Y = (X - Xmin)/(Xmax - Xmin)
"""
# max(0) min(0) 求出每列的最大值和最小值
d_min = dataMat.min(0)
d_max = dataMat.max(0)
# 计算极差
d_ranges = d_max - d_min
# 创建输出矩阵
normDataSet = np.zeros(np.shape(dataMat))
print(normDataSet)
# 获得矩阵行数 .shape 获取矩阵的大小 3x3
m = dataMat.shape[0]
# 计算 (X - Xmin) 这部分 首先要创建Xmin矩阵 将d_min扩展到m行
# 需要使用np.tile 函数进行扩展 将d_min扩展成m行1列 变成m x 3 矩阵
normDataSet = dataMat - np.tile(d_min,(m,1))
print(normDataSet)
# 计算Y
normDataSet = normDataSet / np.tile(d_ranges,(m,1))
print(normDataSet)
return normDataSet
创建分类函数与分类器（kNN算法的实现）
（ps:每次都需要将测试数据与所有训练数据进行对比，感觉比较繁琐)
def classfy_fun(test_data, train_data, labels, k):
"""
:param test_data: 测试集
:param train_data: 训练集
:param labels: 训练集标签
:param k: KNN 算法参数 选择距离最小的个数
:return: 分类结果
"""
# 计算训练集的矩阵行数
train_size = train_data.shape[0]
# 接下来按照欧氏距离进行元素距离计算 公式
# 将测试集扩充成与训练集相同行数 求差
diffMat = np.tile(test_data,(train_size,1)) - train_data
# 将差值矩阵的每个元素平方
sq_diffMat = diffMat**2
# 差值平方矩阵每行元素相加 axis = 1 是按行相加
sum_diffMat = sq_diffMat.sum(axis = 1)
# 对新的求和矩阵进行开方 得到距离值
distances = sum_diffMat ** 0.5
# 获得距离值中从小到大值的索引
sorted_distant = distances.argsort()
# 定义一个字典 存放标签 与 出现的数量
class_count = {}
for i in range(k):
# 找出前k个距离值最小的对应标签
temp_label = labels[sorted_distant[i]]
# 将标签作为 key 存放到字典中 出现次数作为 value
class_count[temp_label] = class_count.get(temp_label,0) + 1
# 将字典按照value 大小进行排序
sort_class_count = sorted(class_count.items(),key = operator.itemgetter(1))
return sort_class_count[0][0]
pass
# 创建分类器函数
def dating_class_test():
# 首先获取文件，将文件分成测试集和训练集
dating_Mat, dating_label = file2matric('datingdata.txt')
# 设置测试集的比例
test_ratio = 0.1
# 数据归一化
normMat = dataNorm(dating_Mat)
#获得矩阵的行数
m = normMat.shape[0]
# 计算测试集的数量
numTestData = int(m * test_ratio)
# 错误分类的数量
error_count = 0.0
for i in range(numTestData):
class_result = classfy_fun(dating_Mat[i,:], dating_Mat[numTestData:m,:],
dating_label[numTestData:m],4 )
print("分类结果:%s,实际分类：%s"%(class_result,dating_label[i]))
if class_result != dating_label[i]:
error_count += 1
# print("错误识别的数量：%f" %error_count)
print("正确率：%f%% \n" %((1 - error_count / numTestData)*100))
从结果看 识别率还是很低的，
标签：KNN,实战,机器,color,矩阵,list,label,dataMat,class 来源： https://www.cnblogs.com/wangxiaobei2019/p/11612787.html