机器学习实战之K-近邻算法总结和代码解析
2017-04-18 21:09
295 查看
机器学习实战是入手机器学习和python实战的比较好的书,可惜我现在才开始练习代码!先声明:本人菜鸟一枚,机器学习的理论知识刚看了一部分,python的知识也没学很多,所以写代码调试的过程很痛可!但是还是挨个找出了问题所在,蛮开心的!看了很多大牛分享的经验说,记住算法和模型的特点以及优缺点、适用场景是非常重要的,所以借着刚看完kNN的热度,赶紧把这些总结一下啦!
特点: (1)kNN算法是最简单最容易理解的机器学习算法,没有明显的训练过程。所做只是将数据存储起来,没
有训练时间,当需要对测试样本处理的时候才会计算的。
(2)我们通常看到的kNN算法处理的都是分类的问题,实际上kNN算法也可以做回归的问题。对于分类
问题,一般采用多数表决的方法进行预测,而对于回归问题, 则将k个最近邻的训练实例的平均值
作为预测值。
(3)kNN算法的三要素: k值选择、距离度量以及决策规则
1> k值选择较大或者较小都会产生不同的优点或者缺点,而且k值的选择会对结果产生重大
的影响。但是应用中,k值一般取一个较小的数值,并且通常采取交叉验证法来选取最优
的k值。
2>距离度量之前一定要做归一化处理。计算距离有很多种方法,而且不同的距离公式算出来
的最近k值是不同的。一般情况下,选择欧式距离作为距离度量。
3>分类决策规则通常选择多数表决法。
(4)当k=1时称为“最近邻分类器”,最近邻分类器虽然很简单,但是它的泛化错误率不超过贝叶斯最优
分类器的两倍。
机器学习实战中的代码及解析:(因为本人python水平太差,所以开始的时候好多代码只能看懂大概,但是细分析分析不出来结果。但是网上有大神写出来了http://lib.csdn.net/snippet/machinelearning/43106 我又做了点修改和补充,代码都是可以执行的 Ps:不知道为什么下载的源码包里面的代码净出现问题,所以小的地方也做了代码修改哦!)
还有一部分的解析是关于不熟悉的python模块函数的,我单独做了整理。之后有时间再传上来吧!
特点: (1)kNN算法是最简单最容易理解的机器学习算法,没有明显的训练过程。所做只是将数据存储起来,没
有训练时间,当需要对测试样本处理的时候才会计算的。
(2)我们通常看到的kNN算法处理的都是分类的问题,实际上kNN算法也可以做回归的问题。对于分类
问题,一般采用多数表决的方法进行预测,而对于回归问题, 则将k个最近邻的训练实例的平均值
作为预测值。
(3)kNN算法的三要素: k值选择、距离度量以及决策规则
1> k值选择较大或者较小都会产生不同的优点或者缺点,而且k值的选择会对结果产生重大
的影响。但是应用中,k值一般取一个较小的数值,并且通常采取交叉验证法来选取最优
的k值。
2>距离度量之前一定要做归一化处理。计算距离有很多种方法,而且不同的距离公式算出来
的最近k值是不同的。一般情况下,选择欧式距离作为距离度量。
3>分类决策规则通常选择多数表决法。
(4)当k=1时称为“最近邻分类器”,最近邻分类器虽然很简单,但是它的泛化错误率不超过贝叶斯最优
分类器的两倍。
机器学习实战中的代码及解析:(因为本人python水平太差,所以开始的时候好多代码只能看懂大概,但是细分析分析不出来结果。但是网上有大神写出来了http://lib.csdn.net/snippet/machinelearning/43106 我又做了点修改和补充,代码都是可以执行的 Ps:不知道为什么下载的源码包里面的代码净出现问题,所以小的地方也做了代码修改哦!)
#coding:utf-8 from numpy import * from os import listdir # os是和操作系统联系密切的一个模块 import operator #运算符模块 #k-近邻算法 def classify0(inX,dataSet,labels,k): dataSetSize=dataSet.shape[0] #shape是array的一个属性,返回矩阵array的各个维度大小,shape(0)是矩阵第一列的数据个数 #距离计算 diffMat=tile(inX,(dataSetSize,1))-dataSet # 求差(求出的结果也是一个矩阵),(tile函数表示将inX在x轴上重复dataSetSize次,y轴上重复1次,注意向量是 #横着的,每个行向量的里面元素的个数代表了维数) sqDiffMat=diffMat**2 #求平方(结果还是矩阵) sqDistances=sqDiffMat.sum(axis=1) #对平方求和(求出的结果是一个列向量),sum函数,axis=1,表示将[]里面数相加(行相加),axis=0表示(列相加), #axis=None(行列相加) distances=sqDistances**0.5 #对平方和开方(结果还是列向量),此处算完之后就是距离 #排序 sortedDistIndicies=distances.argsort() #返回distances排序的索引,用于下面查找标签 classCount={} #定义元字典 #选择距离最小的k个点 for i in range(k): # 遍历前k个元素 voteIlabel=labels[sortedDistIndicies[i]] #获得前k个元素的标签 classCount[voteIlabel]=classCount.get(voteIlabel,0)+1 #统计标签个数 #排序 sortedClassCount=sorted(classCount.iteritems(), key=operator.itemgetter(1),reverse=True) # 对标签字典根据对应个数进行降序排序 return sortedClassCount[0][0] #返回个数最多的标签和对应个数 #小试牛刀的小代码 def createDataSet(): group=array([[1.0,1.0],[1.0,1.0],[0,0],[0,0.1]]) labels=['A','A','B','B'] return group,labels #将文本记录转换为Numpy的解析程序 def file2matrix(filename): fr=open(filename) #打开文件 arrayOLines=fr.readlines() #获取文件所有行 numberOfLines=len(arrayOLines) #得到文件行数 returnMat=zeros((numberOfLines,3)) #先用零元素创建需要返回的numpy矩阵,(行数,列数) classLabelVector=[] # 创建空的标签列表 index=0 for line in arrayOLines: line=line.strip() #截取掉尾部的回车字符 listFromLine=line.split('\t') #用‘\t’作为分隔符将整行元素分割成元素列表,将一行数据按空进行分割, returnMat[index,:]=listFromLine[0:3] #选取列表前三个元素到=矩阵中 classLabelVector.append(listFromLine[-1]) #将列表的最后一列存储到向量中 index += 1 return returnMat,classLabelVector #返回数据集矩阵和对应的标签向量 #下面的是用命令行运行的代码 # import matplotlib # import matplotlib.pyplot as plt # fig=plt.figure() # ax=fig.add_subplot(111) # ax.scatter(datingDataMat[:,1],datingDataMat[:,2]) # 上句替换为:ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels)) # plt.show() #归一化特征值 def autoNorm(dataSet): minVals = dataSet.min(0) #找到数据集中的最小值(实际上应该是样本数据中的一列中的最小值,参数0就代表这个,下同),这样说的话minVals和maxVals都应该 #是一个行向量(1*n) maxVals = dataSet.max(0) #找到数据集中的最大值 ranges = maxVals - minVals #得到数据的范围差值 normDataSet = zeros(shape(dataSet)) # 定义空的要返回的归一化后的矩阵,该矩阵和传入的数据集是一样的大小 m = dataSet.shape[0] #得到矩阵第一行的数据个数,也就是维数 normDataSet = dataSet - tile(minVals, (m,1)) #数据集与最小值相减(title()函数将按照括号中的参数制作对应大小的矩阵,用给定的minVals内容来填充 normDataSet = normDataSet/tile(ranges, (m,1)) #除以范围值之后就是归一化的值了。(注意是矩阵除法) return normDataSet, ranges, minVals #分类器针对约会网站的测试代码 def datingClassTest(): hoRatio = 0.10 #测试所占的比例 datingDataMat,datingLabels = file2matrix('datingTestSet2.txt') #将文件中的数据转换为矩阵形式和提取出标签矩阵 normMat, ranges, minVals = autoNorm(datingDataMat) #对提取出的矩阵数据归一化处理 m = normMat.shape[0] #获得数据总的条数 numTestVecs = int(m*hoRatio) #得出作为测试的数据个数 errorCount = 0.0 #初始化错误个数为0 for i in range(numTestVecs): #对测试的数据进行遍历 classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3) # 对数据进行分类 print "the classifier came back with: %s, the real answer is: %s" % (classifierResult, datingLabels[i]) #输出分类结果和实际的类别(之前的代码 #有问题啊,要将%d,改为%s) if (int(classifierResult) != int(datingLabels[i])): errorCount += 1.0 # 如果分类结果与实际结果不一致 ,错误数加1 print "the total error rate is: %f" % (errorCount/float(numTestVecs)) # 输出错误率 print errorCount #输出错误总数 #约会网站预测函数 def classiyPerson(): resultList = ['not at all','in small doses','in large doses'] # 定义分类结果的类别 percentTats = float(raw_input("percentage of time spent playing video games?")) # 读取输入数据 ffMiles = float(raw_input("frequent flier miles earned per year?")) # 读取输入数据 iceCream = float(raw_input("liters of ice cream consumed per year?")) # 读取输入数据 datingDataMat,datingLabels = file2matrix('datingTestSet2.txt') # 从文件中读取已有数据 normMat,ranges,minVals = autoNorm(datingDataMat) # 对数据进行归一化 inArr =array([ffMiles,percentTats,iceCream]) # 将单个输入数据定义成一条数据 classifierResult = classify0(inArr,datingDataMat,datingLabels,3) # 对输入数据进行分类 print 'You will probably like this person: %s' % (resultList[int(classifierResult) - 1]) # 输出预测的分类类别 # 将单个手写字符文件变成向量 def img2vector(filename): returnVect = zeros((1,1024)) #创建要返回的1*1024的矩阵并初始化为0 fr = open(filename) # 打开文件 for i in range(32): #从0到31行遍历 lineStr = fr.readline() #读取一行(自动成为一个列表) for j in range(32): #从0到31列 returnVect[0,32*i+j] = int(lineStr[j]) #将一行中的每个元素复制到要返回的矩阵中 return returnVect #返回该1*1024的矩阵 # 手写字符识别测试 def handwritingClassTest(): hwLabels = [] # 定义手写字符标签(类别) trainingFileList = listdir('trainingDigits') # 列出目录下所有的文件 m = len(trainingFileList) # 计算训练文件的数目 trainingMat = zeros((m,1024)) # 定义手写字符数据矩阵 for i in range(m): # 依次读取每个文件 fileNameStr = trainingFileList[i] # 依次获得文件名 fileStr = fileNameStr.split('.')[0] # 对文件名进行分割 classNumStr = int(fileStr.split('_')[0]) # 获得文件名中的类标签 hwLabels.append(classNumStr) # 把类标签放到hwLabels中 trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr) # 把文件变成向量并赋值到trainingMat这个矩阵中 testFileList = listdir('testDigits') # 列出测试目录下的所有文件 errorCount = 0.0 # 定义错误数 mTest = len(testFileList) # 获得测试文件数目 for i in range(mTest): # 遍历测试文件 fileNameStr = testFileList[i] # 定义测试文件名 fileStr = fileNameStr.split('.')[0] # 对测试文件名进行分割 classNumStr = int(fileStr.split('_')[0]) # 获得测试文件的类标签 vectorUnderTest = img2vector('testDigits/%s' % fileNameStr) # 将测试文件转换成向量 classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) # 进行分类 print "the classifier came back with: %d, the real answer is: %d" % (int(classifierResult), int(classNumStr)) # 输出预测类别和实际类别 if (int(classifierResult) != int(classNumStr)): errorCount += 1.0 # 如果二者不一致,累加错误数量 print "\nthe total number of errors is: %d" % errorCount # 输出分类错误的数目 print "\nthe total error rate is: %f" % (errorCount/float(mTest)) # 输出分类的错误率
还有一部分的解析是关于不熟悉的python模块函数的,我单独做了整理。之后有时间再传上来吧!
相关文章推荐
- [机器学习实战] k-近邻算法代码解析
- 机器学习实战代码学习(K-近邻算法)
- 机器学习实战——K-近邻算法【1:从文本中解析数据并可视化】
- 机器学习实战笔记 k 近邻算法 函数解析
- 机器学习实战学习,代码详解(K-近邻算法)
- 机器学习实战笔记2(k-近邻算法)
- python机器学习实战1:实现k-近邻算法
- Python机器学习实战--(k-近邻算法)
- 【机器学习实战】:C++实现K-近邻算法KNN
- 菜鸟起飞——机器学习实战第二篇:k-近邻算法
- 《机器学习实战》K-近邻算法代码解析(1)
- 机器学习实战之k-近邻算法(6)---手写数字识别系统(0-9识别)
- 机器学习实战之k-近邻算法(7)---算法总结
- 机器学习实战python3 K近邻(KNN)算法实现
- 机器学习实战之K-近邻算法
- 【机器学习实战】k-近邻算法
- 机器学习实战(k-近邻算法)
- 【机器学习实战一:K-近邻算法】
- 机器学习实战——k-近邻算法(KNN)
- 2.机器学习实战之K-近邻算法