《机器学习实战》--KNN
代码来自《机器学习实战》https://github.com/wzy6642/Machine-Learning-in-Action-Python3
K-近邻算法(KNN)
介绍
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，无法给出数据的内在含义。
使用数据范围：数值型、标称型。
分类函数的伪代码：
对未知类别属性的数据集中的每个点依次执行以下操作：
（1）计算已知类别数据集中的点与当前点之间的距离；
（2）按照距离递增次序排序；
（3）选取与当前点距离最小的k个点；
（4）确定前k个点所在类别的出现概率；
（5）返回前k个点出现频率最高的类别作为当前点的预测分类。
"""创建数据集
返回: group - 数据集
labels - 分类标签
"""
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
"""
KNN算法，分类器
参数：
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
返回：
sortedClasscount[0][0] - 分类结果
"""
def classify0(inX, dataSet, labels, k):
# numpy函数shape[0]返回dataSet的行数（维度）
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
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词典
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
# reverse降序排序字典，operator.itemgetter(1)按值排序，(0)按键排序
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]
# 测试
group, labels = createDataSet()
classify0([0,0], group, labels, 3) # output: ‘爱情片‘View Code
实战：手写数字识别系统
这里只能识别数字0到9，图像为32*32像素的黑白图像，将图像转换为文本格式。
将图像格式化处理为一个向量，把32*32的二进制图像矩阵为1*2014的向量。
"""
将32*32的二进制图像转换为1*1024向量
参数：
filename - 文件名
返回：
returnVect - 返回二进制图像的1*1024向量
"""
def img2vector(filename):
returnVect = np.zeros((1, 1024))
fr = open(filename)
# 按行读取
for i in range(32):
# 读取一行数据
lineStr = fr.readline()
# 每一行的前32个数据依次存储到returnVect中
for j in range(32):
returnVect[0, 32*i+j] = int(lineStr[j])
# 返回转换后的1*1024向量
return returnVect
# 测试
testVector = img2vector(‘testDigits/0_13.txt‘)
testVector[0, 0:31]
# output: array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1.,
# 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])View Code测试算法
"""
手写数字分类测试
参数：
None
返回:
None
"""
def handwritingClassTest():
# 测试集的labels
hwLabels = []
# 返回trainingDigits目录下的文件名
trainingFilesList = listdir(‘trainingDigits‘)
# 返回文件夹下文件的个数
m = len(trainingFilesList)
# 初始化训练的Mat矩阵（全零针），测试集
trainingMat = np.zeros((m, 1024))
# 从文件名中解析出训练集的类别
for i in range(m):
# 获得文件的名字
fileNameStr = trainingFilesList[i]
# 获得分类的数字
classNumber = int(fileNameStr.split(‘_‘)[0])
# 将获得的类别添加到hwLabels中
hwLabels.append(classNumber)
# 将每个文件的1*1024数据存储到trainingMat矩阵中
trainingMat[i, :] = img2vector(‘trainingDigits/%s‘ % (fileNameStr))
# 构造KNN分类器
neigh = KNN(n_neighbors=3, algorithm=‘auto‘)
# 拟合模型，trainingMat为测试矩阵，hwLabels为对应标签
neigh.fit(trainingMat, hwLabels)
# 返回testDigits目录下的文件列表
testFileList = listdir(‘testDigits‘)
# 错误检测计数
errorCount =0.0
# 测试数据的数量
mTest = len(testFileList)
# 从文件中解析出测试集的类别并进行分类测试
for i in range(mTest):
# 获得文件名字
fileNameStr = testFileList[i]
# 获得分类的数字
classNumber = int(fileNameStr.split(‘_‘)[0])
# 获得测试集的1*1024向量，用于训练
vectorUnderTest = img2vector(‘testDigits/%s‘ % (fileNameStr))
# 获得预测结果
classifierResult = neigh.predict(vectorUnderTest)
print("分类返回结果为%d\t真实结果为%d" % (classifierResult, classNumber))
if(classifierResult != classNumber):
errorCount += 1.0
print("总共错了%d个数据\n错误率为%f%%" % (errorCount, errorCount/mTest * 100))