机器学习实战 第一章 约会网站预测 kNN python3实现
作者:互联网
# -*- coding: utf-8 -*- """ Created on Fri Jul 13 09:17:41 2018 @author: wzy """ from matplotlib.font_manager import FontProperties import matplotlib.lines as mlines import matplotlib.pyplot as plt import time import numpy as np import operator """ 函数说明:创建数据集 Parameters: None Returns: group - 数据集 labels - 分类标签 Modify: 2018-07-13 """ def createDataSet(): # 四组二维特征 group = np.array([[1,101],[5,89],[108,5],[115,8]]) # 四组特征的标签 labels = ['爱情片','爱情片','动作片','动作片'] return group, labels """ 函数说明:kNN算法,分类器 Parameters: inX - 用于分类的数据(测试集) dataSet - 用于训练的数据(训练集)(n*1维列向量) labels - 分类标准(n*1维列向量) k - kNN算法参数,选择距离最小的k个点 Returns: sortedClassCount[0][0] - 分类结果 Modify: 2018-07-13 """ def classify0(inX, dataSet, labels, k): # numpy函数shape[0]返回dataSet的行数 dataSetSize = dataSet.shape[0] # 将inX重复dataSetSize次并排成一列 diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet # 二维特征相减后平方(用diffMat的转置乘diffMat) 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 # argsort函数返回的是distances值从小到大的--索引值 sortedDistIndicies = distances.argsort() # 定义一个记录类别次数的字典 classCount = {} # 选择距离最小的k个点 for i in range(k): # 取出前k个元素的类别 voteIlabel = labels[sortedDistIndicies[i]] # 字典的get()方法,返回指定键的值,如果值不在字典中返回0 # 计算类别次数 classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 # python3中用items()替换python2中的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] """ 函数说明:打开解析文件,对数据进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力 Parameters: filename - 文件名 Returns: returnMat - 特征矩阵 classLabelVector - 分类label向量 Modify: 2018-07-13 """ 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] # 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 """ 函数说明:可视化数据 Parameters: datingDataMat - 特征矩阵 datingLabels - 分类Label Returns: None Modify: 2018-07-13 """ def showdatas(datingDataMat, datingLabels): # 设置汉字格式为14号简体字 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4个区域,axs[0][0]代表第一行第一个区域 fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8)) # 获取datingLabels的行数作为label的个数 # numberOfLabels = len(datingLabels) # label的颜色配置矩阵 LabelsColors = [] for i in datingLabels: # didntLike if i == 1: LabelsColors.append('black') # smallDoses if i == 2: LabelsColors.append('orange') # largeDoses if i == 3: LabelsColors.append('red') # 画出散点图,以datingDataMat矩阵第一列为x,第二列为y,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矩阵第一列为x,第三列为y,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) # 设置标题,x轴label, y轴label 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淇淋公升数', 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'每周消费的冰淇淋公升数', FontProperties=font)
#设置字体 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矩阵第二列为x,第三列为y,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) # 设置标题,x轴label, y轴label 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淇淋公升数', 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'每周消费的冰淇淋公升数', 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() """ 函数说明:对数据进行归一化 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 Modify: 2018-07-13 """ def autoNorm(dataSet): # 获取每列数据的最小值 minVals = dataSet.min(0) # 获取每列数据的最大值 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)) # 差值处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 """ 函数说明:分类器测试函数 Parameters: None Returns: normDataSet - 归一化后的特征矩阵 ranges - 数据范围 minVals - 数据最小值 Modify: 2018-07-13 """ def datingClassTest(): # 打开文件名 filename = ".//data//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)) """ 函数说明:通过输入一个人的三围特征,进行分类输出 Parameters: None Returns: None Modify: 2018-07-14 """ 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])) """ 函数说明:main函数 Parameters: None Returns: None Modify: 2018-07-13 """ def main(): # 获取程序运行时间 start =time.clock() # 打开文件的名称 filename = ".//data//datingTestSet.txt" # 打开并处理数据 datingDataMat, datingLabels = file2matrix(filename) # 训练集归一化 normDataset, ranges, minVals = autoNorm(datingDataMat) datingClassTest() #print(normDataset) #print(ranges) #print(minVals) showdatas(datingDataMat, datingLabels) # classifyPerson() # print(datingDataMat) # print(datingLabels) # 创建数据集 # group, labels = createDataSet() # 测试集 # test = [100,100] # kNN分类 # test_class = classify0(test, group, labels, 3) # 打印分类结果 # print(test_class) end = time.clock() # 打印程序运行时间 print('Running time: %f Seconds'%(end-start)) if __name__ == '__main__': main()
标签:kNN,axs,datingLabels,color,text,约会,dataSet,datingDataMat,python3 来源: https://www.cnblogs.com/xiaochi/p/12539324.html