《机器学习实战》KNN算法实现

作者：寂寞的小乞丐

个人博客：http://www.cnblogs.com/wjy-lulu/

本系列都是参考《机器学习实战》这本书，只对学习过程一个记录，不做详细的描述！

注释：看了一段时间Ng的机器学习视频，感觉不能光看不练，现在一边练习再一边去学习理论！

KNN很早就之前就看过也记录过，在此不做更多说明，这是k-means之前的记录。

1.简单的分类

代码：

import numpy as np

import operator

import KNN



def classify0(inX,dataSet,labels,k):

     dataSetSize = dataSet.shape[0] #样本个数

     diffMat = np.tile(inX,(dataSetSize,1)) - dataSet#样本每个值和测试数据做差

     sqDiffMat = diffMat**2#平方

     sqDistances = sqDiffMat.sum(axis=1)#第二维度求和，也就是列

     distances = sqDistances**0.5#平方根

     sortedDistIndicies = distances.argsort()#下标排序

     classCount = {}



     for i in range(k):

          voteIlabel = labels[sortedDistIndicies[i]]#得到距离最近的几个数

          classCount[voteIlabel] = classCount.get(voteIlabel,0)+1#标签计数

     sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)#按照数值排序operator.itemgetter(1)代表第二个域

     #上面排序之后就不是字典了，而是一个列表里面包含的元组[('c',2),('a',3)]

     return sortedClassCount[0][0]



if __name__ == '__main__':

     group,labels = KNN.createDataSet()

     result = classify0([0,0.5],group,labels,1)

     print (result)

KNN.Py文件

import numpy as np

import operator

def createDataSet():

    group = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])

    labels = ['A', 'B', 'C', 'D']

    return group, labels

2.约会网站的预测

　　下面给出每个部分的代码和注释：

A.文本文件转换为可用数据

上面的文本中有空格和换行，而且样本和标签都在一起，必须的分开处理成矩阵才可以进行下一步操作。

def file2matrix(filename):#把文件转化为可操作数据

    fr = open(filename)#打开文件

    arrayOLines = fr.readlines()#读取每行文件

    numberOfLines = len(arrayOLines)#行数量

    returnMat = np.zeros([numberOfLines,3])#存储数据

    classLabelVector = []

    index = 0

    for line in arrayOLines:

        line = line.strip()#去除换行符

        listFromLine = line.split('\t')#按照空格去分割

        returnMat[index,:] = listFromLine[0:3]#样本

        classLabelVector.append(int(listFromLine[-1]))#labels

        index += 1

    return returnMat,classLabelVector#返回数据和标签

B.归一化

数据大小差异太明显，比如有三个特征：a=[1,2,3],b=[1000,2000,3000],c=[0.1,0.2,0.3],我们发现c和a根本没啥作用，因为b的值太大了，或者说b的权重太大了，Ng中可以用惩罚系数去操作，或者正则化都可以处理这类数据，当然这是题外话。

def autoNorm(dataSet):#归一化函数

    #每列的最值

    minValue = dataSet.min(0)

    maxValue = dataSet.max(0)

    range = maxValue - minValue

    #创建最小值矩阵

    midData =  np.tile(minValue,[dataSet.shape[0],1])

    dataSet = dataSet - midData

    #创建range矩阵

    range = np.tile(range,[dataSet.shape[0],1])

    dataSet = dataSet / range #直接相除不是矩阵相除

    return dataSet,minValue,maxValue

C.预测

KNN的方法就是距离，计算K个距离，然后排序看哪个占得比重大就选哪个类。

def classify0(inX, dataSet, labels, k):#核心分类程序

    dataSetSize = dataSet.shape[0]  # 样本个数

    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet  # 样本每个值和测试数据做差

    sqDiffMat = diffMat ** 2  # 平方

    sqDistances = sqDiffMat.sum(axis=1)  # 第二维度求和，也就是列

    distances = sqDistances ** 0.5  # 平方根

    sortedDistIndicies = distances.argsort()  # 下标排序

    classCount = {}



    for i in range(k):

        voteIlabel = labels[sortedDistIndicies[i]]  # 得到距离最近的几个数

        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1  # 标签计数

    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1),

                              reverse=True)  # 按照数值排序operator.itemgetter(1)代表第二个域

    # 上面排序之后就不是字典了，而是一个列表里面包含的元组[('c',2),('a',3)]

    return sortedClassCount[0][0]

D.性能测试

比如1000个数据，900个用做样本，100用做测试，看看精确度是多少?

def datingClassTest():

    hoRatio = 0.2

    datingDataMat , datingLabels = file2matrix('datingTestSet2.txt')

    normMat = autoNorm(datingDataMat)

    n = normMat.shape[0]

    numTestVecs = int(n*hoRatio)#测试数据和样本数据的分割点

    erroCount = 0.0

    #numTestVecs:n样本，[i,numTestVecs]测试

    for i in range(numTestVecs):

        classfiResult = classify0(normMat[i,:],normMat[numTestVecs:n,:],

                                  datingLabels[numTestVecs:n],3)

        if (classfiResult!=datingLabels[i]): erroCount+=1.0

    print ("the totle error os: %f" %(erroCount/float(numTestVecs)))

 E.实战分类

注意输入的数据也得归一化

def classfiPerson():

    resultList = ['not at all','in small doses','in large doses']

    personTats = float(input('please input video game \n'))

    ffMiles = float(input('please input flier miles \n'))

    iceCream = float(input('please input ice cream \n'))

    datingData,datingLabels = file2matrix('datingTestSet2.txt')

    normData,minData,maxData = autoNorm(datingData)

    inputData = np.array([personTats,ffMiles,iceCream])#转化为矩阵

    inputData = (inputData - minData)/(maxData - minData)#输入归一化

    result = classify0(inputData,normData,datingLabels,3)

    print('等级是：',result)

F.可视化显示

datingDatas, datingLabels = KNN.file2matrix('datingTestSet2.txt')

     #可视化样本数据显示

     fig = plt.figure('data_show')

     ax = fig.add_subplot(111)

     for i in range(datingDatas.shape[0]):

          if datingLabels[i]==1:

               ax.scatter(datingDatas[i, 0], datingDatas[i, 1], marker="*",c='r')  # 用后两个特征绘图



          if datingLabels[i]==2:

               ax.scatter(datingDatas[i, 0], datingDatas[i, 1], marker="s", c='g')  # 用后两个特征绘图



          if datingLabels[i]==3:

               ax.scatter(datingDatas[i, 0], datingDatas[i, 1], marker="^", c='b')  # 用后两个特征绘图

     plt.show()

G.完整代码

import numpy as np

import operator

#from numpy import *



def createDataSet():#创建简单测试的几个数

    group = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])

    labels = ['A', 'B', 'C', 'D']

    return group, labels



def autoNorm(dataSet):#归一化函数

    #每列的最值

    minValue = dataSet.min(0)

    maxValue = dataSet.max(0)

    range = maxValue - minValue

    #创建最小值矩阵

    midData =  np.tile(minValue,[dataSet.shape[0],1])

    dataSet = dataSet - midData

    #创建range矩阵

    range = np.tile(range,[dataSet.shape[0],1])

    dataSet = dataSet / range #直接相除不是矩阵相除

    return dataSet,minValue,maxValue



def file2matrix(filename):#把文件转化为可操作数据

    fr = open(filename)#打开文件

    arrayOLines = fr.readlines()#读取每行文件

    numberOfLines = len(arrayOLines)#行数量

    returnMat = np.zeros([numberOfLines,3])#存储数据

    classLabelVector = []

    index = 0

    for line in arrayOLines:

        line = line.strip()#去除换行符

        listFromLine = line.split('\t')#按照空格去分割

        returnMat[index,:] = listFromLine[0:3]#样本

        classLabelVector.append(int(listFromLine[-1]))#labels

        index += 1

    return returnMat,classLabelVector#返回数据和标签



def classify0(inX, dataSet, labels, k):#核心分类程序

    dataSetSize = dataSet.shape[0]  # 样本个数

    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet  # 样本每个值和测试数据做差

    sqDiffMat = diffMat ** 2  # 平方

    sqDistances = sqDiffMat.sum(axis=1)  # 第二维度求和，也就是列

    distances = sqDistances ** 0.5  # 平方根

    sortedDistIndicies = distances.argsort()  # 下标排序

    classCount = {}



    for i in range(k):

        voteIlabel = labels[sortedDistIndicies[i]]  # 得到距离最近的几个数

        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1  # 标签计数

    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1),

                              reverse=True)  # 按照数值排序operator.itemgetter(1)代表第二个域

    # 上面排序之后就不是字典了，而是一个列表里面包含的元组[('c',2),('a',3)]

    return sortedClassCount[0][0]



def datingClassTest():

    hoRatio = 0.2

    datingDataMat , datingLabels = file2matrix('datingTestSet2.txt')

    normMat = autoNorm(datingDataMat)

    n = normMat.shape[0]

    numTestVecs = int(n*hoRatio)#测试数据和样本数据的分割点

    erroCount = 0.0

    #numTestVecs:n样本，[i,numTestVecs]测试

    for i in range(numTestVecs):

        classfiResult = classify0(normMat[i,:],normMat[numTestVecs:n,:],

                                  datingLabels[numTestVecs:n],3)

        if (classfiResult!=datingLabels[i]): erroCount+=1.0

    print ("the totle error os: %f" %(erroCount/float(numTestVecs)))



def classfiPerson():

    resultList = ['not at all','in small doses','in large doses']

    personTats = float(input('please input video game \n'))

    ffMiles = float(input('please input flier miles \n'))

    iceCream = float(input('please input ice cream \n'))

    datingData,datingLabels = file2matrix('datingTestSet2.txt')

    normData,minData,maxData = autoNorm(datingData)

    inputData = np.array([personTats,ffMiles,iceCream])#转化为矩阵

    inputData = (inputData - minData)/(maxData - minData)#输入归一化

    result = classify0(inputData,normData,datingLabels,3)

    print('等级是：',result)

3.手写数字识别

 A.转换文件

def img2vector(filename):

    returnVector = np.zeros([32,32])

    fr = open(filename)

    lineData = fr.readlines()

    count = 0

    for line in lineData:

        line = line.strip()#去除换行符

        for j in range(len(line)):

            returnVector[count,j] = line[j]

        count += 1

    returnVector = returnVector.reshape(1,1024).astype(int)#转化为1X1024

    return returnVector

B.识别分类

def handWriteringClassTest():

    #--------------------------读取数据---------------------------------

    hwLabels = []

    trainingFileList = os.listdir('trainingDigits')#获取文件目录

    m = len(trainingFileList)#获取目录个数

    trainingMat = np.zeros([m,1024])#全部样本

    for i in range(m):

        fileNameStr = trainingFileList[i]

        fileStr = fileNameStr.split('.')[0]#得到不带格式的文件名

        classNumStr = int(fileStr.split('_')[0])#得到最前面的数字类别0-9

        hwLabels.append(classNumStr)#存储

        dirList = 'trainingDigits/' + fileNameStr#绝对目录信息

        vectorUnderTest = img2vector(dirList)#读取第i个数据信息

        trainingMat[i,:] = vectorUnderTest #存储

    #--------------------------测试数据--------------------------------

    testFileList = os.listdir('testDigits')

    errorCount = 0.0

    m = len(testFileList)

    for i in range(m):

        fileNameStr = testFileList[i]

        fileInt = fileNameStr.split('.')[0].split('_')[0]

        dirList = 'testDigits/' + fileNameStr  # 绝对目录信息

        vectorUnderTest = img2vector(dirList)  # 读取第i个数据信息

        if int(fileInt) != int(classify0(vectorUnderTest,trainingMat,hwLabels,3)):

            errorCount += 1

    print('error count is : ',errorCount)

    print('error Rate is : ', (errorCount/m))

C.完整代码

import numpy as np

import operator

import os

#from numpy import *



def createDataSet():#创建简单测试的几个数

    group = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])

    labels = ['A', 'B', 'C', 'D']

    return group, labels



def autoNorm(dataSet):#归一化函数

    #每列的最值

    minValue = dataSet.min(0)

    maxValue = dataSet.max(0)

    range = maxValue - minValue

    #创建最小值矩阵

    midData =  np.tile(minValue,[dataSet.shape[0],1])

    dataSet = dataSet - midData

    #创建range矩阵

    range = np.tile(range,[dataSet.shape[0],1])

    dataSet = dataSet / range #直接相除不是矩阵相除

    return dataSet,minValue,maxValue



def file2matrix(filename):#把文件转化为可操作数据

    fr = open(filename)#打开文件

    arrayOLines = fr.readlines()#读取每行文件

    numberOfLines = len(arrayOLines)#行数量

    returnMat = np.zeros([numberOfLines,3])#存储数据

    classLabelVector = []

    index = 0

    for line in arrayOLines:

        line = line.strip()#去除换行符

        listFromLine = line.split('\t')#按照空格去分割

        returnMat[index,:] = listFromLine[0:3]#样本

        classLabelVector.append(int(listFromLine[-1]))#labels

        index += 1

    return returnMat,classLabelVector#返回数据和标签



def classify0(inX, dataSet, labels, k):#核心分类程序

    dataSetSize = dataSet.shape[0]  # 样本个数

    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet  # 样本每个值和测试数据做差

    sqDiffMat = diffMat ** 2  # 平方

    sqDistances = sqDiffMat.sum(axis=1)  # 第二维度求和，也就是列

    distances = sqDistances ** 0.5  # 平方根

    sortedDistIndicies = distances.argsort()  # 下标排序

    classCount = {}



    for i in range(k):

        voteIlabel = labels[sortedDistIndicies[i]]  # 得到距离最近的几个数

        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1  # 标签计数

    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1),

                              reverse=True)  # 按照数值排序operator.itemgetter(1)代表第二个域

    # 上面排序之后就不是字典了，而是一个列表里面包含的元组[('c',2),('a',3)]

    return sortedClassCount[0][0]



def datingClassTest():

    hoRatio = 0.2

    datingDataMat , datingLabels = file2matrix('datingTestSet2.txt')

    normMat = autoNorm(datingDataMat)

    n = normMat.shape[0]

    numTestVecs = int(n*hoRatio)#测试数据和样本数据的分割点

    erroCount = 0.0

    #numTestVecs:n样本，[i,numTestVecs]测试

    for i in range(numTestVecs):

        classfiResult = classify0(normMat[i,:],normMat[numTestVecs:n,:],

                                  datingLabels[numTestVecs:n],3)

        if (classfiResult!=datingLabels[i]): erroCount+=1.0

    print ("the totle error os: %f" %(erroCount/float(numTestVecs)))



def classfiPerson():

    resultList = ['not at all','in small doses','in large doses']

    personTats = float(input('please input video game \n'))

    ffMiles = float(input('please input flier miles \n'))

    iceCream = float(input('please input ice cream \n'))

    datingData,datingLabels = file2matrix('datingTestSet2.txt')

    normData,minData,maxData = autoNorm(datingData)

    inputData = np.array([personTats,ffMiles,iceCream])#转化为矩阵

    inputData = (inputData - minData)/(maxData - minData)#输入归一化

    result = classify0(inputData,normData,datingLabels,3)

    print('等级是：',result)



def img2vector(filename):

    returnVector = np.zeros([32,32])

    fr = open(filename)

    lineData = fr.readlines()

    count = 0

    for line in lineData:

        line = line.strip()#去除换行符

        for j in range(len(line)):

            returnVector[count,j] = line[j]

        count += 1

    returnVector = returnVector.reshape(1,1024).astype(int)#转化为1X1024

    return returnVector



def img2vector2(filename):

    returnVect = np.zeros([1,1024])

    fr = open(filename)

    for i in range(32):

        lineStr = fr.readline()

        for j in range(32):

            returnVect[0,32*i+j] = int(lineStr[j])

    return returnVect



def handWriteringClassTest():

    #--------------------------读取数据---------------------------------

    hwLabels = []

    trainingFileList = os.listdir('trainingDigits')#获取文件目录

    m = len(trainingFileList)#获取目录个数

    trainingMat = np.zeros([m,1024])#全部样本

    for i in range(m):

        fileNameStr = trainingFileList[i]

        fileStr = fileNameStr.split('.')[0]#得到不带格式的文件名

        classNumStr = int(fileStr.split('_')[0])#得到最前面的数字类别0-9

        hwLabels.append(classNumStr)#存储

        dirList = 'trainingDigits/' + fileNameStr#绝对目录信息

        vectorUnderTest = img2vector(dirList)#读取第i个数据信息

        trainingMat[i,:] = vectorUnderTest #存储

    #--------------------------测试数据--------------------------------

    testFileList = os.listdir('testDigits')

    errorCount = 0.0

    m = len(testFileList)

    for i in range(m):

        fileNameStr = testFileList[i]

        fileInt = fileNameStr.split('.')[0].split('_')[0]

        dirList = 'testDigits/' + fileNameStr  # 绝对目录信息

        vectorUnderTest = img2vector(dirList)  # 读取第i个数据信息

        if int(fileInt) != int(classify0(vectorUnderTest,trainingMat,hwLabels,3)):

            errorCount += 1

    print('error count is : ',errorCount)

    print('error Rate is : ', (errorCount/m))