机器学习实战笔记(Python实现)-01-K近邻算法(KNN)

---------------------------------------------------------------------------------------

本系列文章为《机器学习实战》学习笔记，内容整理自书本，网络以及自己的理解，如有错误欢迎指正。

源码在Python3.5上测试均通过，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

 #coding=UTF8
 from numpy import *
 import operator

 def createDataSet():
     """
     函数作用：构建一组训练数据（训练样本），共4个样本
     同时给出了这4个样本的标签，及labels
     """
     group = array([
         [1.0, 1.1],
         [1.0, 1.0],
         [0. , 0. ],
         [0. , 0.1]
     ])
     labels = ['A', 'A', 'B', 'B']
     return group, labels

 def classify0(inX, dataset, labels, k):
     """
     inX 是输入的测试样本，是一个[x, y]样式的
     dataset 是训练样本集
     labels 是训练样本标签
     k 是top k最相近的
     """
     # shape返回矩阵的[行数，列数]，
     # 那么shape[0]获取数据集的行数，
     # 行数就是样本的数量
     dataSetSize = dataset.shape[0] 

     """
     下面的求距离过程就是按照欧氏距离的公式计算的。
     即 根号(x^2+y^2)
     """
     # tile属于numpy模块下边的函数
     # tile（A, reps）返回一个shape=reps的矩阵，矩阵的每个元素是A
     # 比如 A=[0,1,2] 那么，tile(A, 2)= [0, 1, 2, 0, 1, 2]
     # tile(A,(2,2)) = [[0, 1, 2, 0, 1, 2],
     #                  [0, 1, 2, 0, 1, 2]]
     # tile(A,(2,1,2)) = [[[0, 1, 2, 0, 1, 2]],
     #                    [[0, 1, 2, 0, 1, 2]]]
     # 上边那个结果的分开理解就是：
     # 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
     # 然后C包含1个元素，即C=[E],同理D=[E]
     # 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
     # F就是A了，基础元素
     # 综合起来就是(2,1,2)= [C, C] = [[E], [E]] = [[[F, F]], [[F, F]]] = [[[A, A]], [[A, A]]]
     # 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。
     # 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
     # 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；
     # 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。
     # 比如inX = [0,1],dataset就用函数返回的结果，那么
     # tile(inX, (4,1))= [[ 0.0, 1.0],
     #                    [ 0.0, 1.0],
     #                    [ 0.0, 1.0],
     #                    [ 0.0, 1.0]]
     # 作差之后
     # diffMat = [[-1.0,-0.1],
     #            [-1.0, 0.0],
     #            [ 0.0, 1.0],
     #            [ 0.0, 0.9]]
     diffMat = tile(inX, (dataSetSize, 1)) - dataset

     # 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。
     # 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。
     # sqDiffMat = [[1.0, 0.01],
     #              [1.0, 0.0 ],
     #              [0.0, 1.0 ],
     #              [0.0, 0.81]]
     sqDiffMat = diffMat ** 2

     # axis=1表示按照横轴，sum表示累加，即按照行进行累加。
     # sqDistance = [[1.01],
     #               [1.0 ],
     #               [1.0 ],
     #               [0.81]]
     sqDistance = sqDiffMat.sum(axis=1)

     # 对平方和进行开根号
     distance = sqDistance ** 0.5

     # 按照升序进行快速排序，返回的是原数组的下标。
     # 比如，x = [30, 10, 20, 40]
     # 升序排序后应该是[10,20,30,40],他们的原下标是[1,2,0,3]
     # 那么，numpy.argsort(x) = [1, 2, 0, 3]
     sortedDistIndicies = distance.argsort()

     # 存放最终的分类结果及相应的结果投票数
     classCount = {}

     # 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
     for i in range(k):
         # index = sortedDistIndicies[i]是第i个最相近的样本下标
         # voteIlabel = labels[index]是样本index对应的分类结果('A' or 'B')
         voteIlabel = labels[sortedDistIndicies[i]]
         # classCount.get(voteIlabel, 0)返回voteIlabel的值，如果不存在，则返回0
         # 然后将票数增1
         classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1

     # 把分类结果进行排序，然后返回得票数最多的分类结果
     sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
     return sortedClassCount[0][0]

 if __name__== "__main__":
     # 导入数据
     dataset, labels = createDataSet()
     inX = [0.1, 0.1]
     # 简单分类
     className = classify0(inX, dataset, labels, 3)
     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。

 def file2matrix(filename):
     """
     从文件中读入训练数据，并存储为矩阵
     """
     fr = open(filename)
     arrayOlines = fr.readlines()
     numberOfLines = len(arrayOlines)   #获取 n=样本的行数
     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
     classLabelVector = []    #创建一个1维数组用于存放训练样本标签。
     index = 0
     for line in arrayOlines:
         # 把回车符号给去掉
         line = line.strip()
         # 把每一行数据用\t分割
         listFromLine = line.split('\t')
         # 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
         returnMat[index,:] = listFromLine[0:3]
         # 把该样本对应的标签放至标签集，顺序与样本集对应。
         classLabelVector.append(int(listFromLine[-1]))
         index += 1
     return returnMat,classLabelVector

 def autoNorm(dataSet):
     """
     训练数据归一化
     """
     # 获取数据集中每一列的最小数值
     # 以createDataSet()中的数据为例，group.min(0)=[0,0]
     minVals = dataSet.min(0)
     # 获取数据集中每一列的最大数值
     # group.max(0)=[1, 1.1]
     maxVals = dataSet.max(0)
     # 最大值与最小的差值
     ranges = maxVals - minVals
     # 创建一个与dataSet同shape的全0矩阵，用于存放归一化后的数据
     normDataSet = zeros(shape(dataSet))
     m = dataSet.shape[0]
     # 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
     normDataSet = dataSet - tile(minVals, (m,1))
     # 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。
     # 矩阵除法在numpy中要用linalg.solve(A,B)
     normDataSet = normDataSet/tile(ranges, (m,1))
     return normDataSet, ranges, minVals

 def datingClassTest():
     # 将数据集中10%的数据留作测试用，其余的90%用于训练
     hoRatio = 0.10
     datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')       #load data setfrom file
     normMat, ranges, minVals = autoNorm(datingDataMat)
     m = normMat.shape[0]
     numTestVecs = int(m*hoRatio)
     errorCount = 0.0
     for i in range(numTestVecs):
         classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
         print("the classifier came back with: %d, the real answer is: %d, result is :%s" % (classifierResult, datingLabels[i],classifierResult==datingLabels[i]))
         if (classifierResult != datingLabels[i]): errorCount += 1.0
     print("the total error rate is: %f" % (errorCount/float(numTestVecs)))
     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：

 from os import listdir
 def img2vector(filename):
     """
     将图片数据转换为01矩阵。
     每张图片是32*32像素，也就是一共1024个字节。
     因此转换的时候，每行表示一个样本，每个样本含1024个字节。
     """
     # 每个样本数据是1024=32*32个字节
     returnVect = zeros((1,1024))
     fr = open(filename)
     # 循环读取32行，32列。
     for i in range(32):
         lineStr = fr.readline()
         for j in range(32):
             returnVect[0,32*i+j] = int(lineStr[j])
     return returnVect

 def handwritingClassTest():
     hwLabels = []
     # 加载训练数据
     trainingFileList = listdir('trainingDigits')
     m = len(trainingFileList)
     trainingMat = zeros((m,1024))
     for i in range(m):
         # 从文件名中解析出当前图像的标签，也就是数字是几
         # 文件名格式为 0_3.txt 表示图片数字是 0
         fileNameStr = trainingFileList[i]
         fileStr = fileNameStr.split('.')[0]     #take off .txt
         classNumStr = int(fileStr.split('_')[0])
         hwLabels.append(classNumStr)
         trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)
     # 加载测试数据
     testFileList = listdir('testDigits')        #iterate through the test set
     errorCount = 0.0
     mTest = len(testFileList)
     for i in range(mTest):
         fileNameStr = testFileList[i]
         fileStr = fileNameStr.split('.')[0]     #take off .txt
         classNumStr = int(fileStr.split('_')[0])
         vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
         classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
         print("the classifier came back with: %d, the real answer is: %d, The predict result is: %s" % (classifierResult, classNumStr, classifierResult==classNumStr))
         if (classifierResult != classNumStr): errorCount += 1.0
     print("\nthe total number of errors is: %d / %d" %(errorCount, mTest))
     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。

3 应用 scikit-learn 库实现k近邻算法

 """
 scikit-learn 库对knn的支持
 数据集是iris虹膜数据集
 """

 from sklearn.datasets import load_iris
 from sklearn import neighbors
 import sklearn  

 #查看iris数据集
 iris = load_iris()
 print(iris)

 '''
 KNeighborsClassifier(n_neighbors=5, weights='uniform',
                      algorithm='auto', leaf_size=30,
                      p=2, metric='minkowski',
                      metric_params=None, n_jobs=1, **kwargs)
 n_neighbors: 默认值为5，表示查询k个最近邻的数目
 algorithm:   {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’},指定用于计算最近邻的算法，auto表示试图采用最适合的算法计算最近邻
 leaf_size:   传递给‘ball_tree’或‘kd_tree’的叶子大小
 metric:      用于树的距离度量。默认'minkowski与P = 2（即欧氏度量）
 n_jobs:      并行工作的数量，如果设为-1，则作业的数量被设置为CPU内核的数量
 查看官方api：http://scikit-learn.org/dev/modules/generated/sklearn.neighbors.KNeighborsClassifier.html#sklearn.neighbors.KNeighborsClassifier
 '''
 knn = neighbors.KNeighborsClassifier()
 #训练数据集
 knn.fit(iris.data, iris.target)
 #训练准确率
 score = knn.score(iris.data, iris.target)

 #预测
 predict = knn.predict([[0.1,0.2,0.3,0.4]])
 #预测，返回概率数组
 predict2 = knn.predict_proba([[0.1,0.2,0.3,0.4]])

 print(predict)
 print(iris.target_names[predict])

代码解释参考原贴：http://blog.csdn.net/niuwei22007/article/details/49703719