Python数据挖掘实践—KNN分类

1、最邻近算法

KNN方法的简单描述：KNN方法用于分类，其基本思想如下。我们已经有一些已知类型的数据，暂称其为训练集。当一个新数据（暂称其为测试集）进入的时候，开始跟训练集数据中的每个数据点求距离，挑选与这个训练数据集中最近的K个点看这些点属于什么类型，用少数服从多数的方法将测试数据归类。

图示：这里我用一个常见到的图做介绍：1、有三类已知数据集（训练集），它们分别属于w1、w2、w3，这三类数据分别有自己的特征；2、有一个位置类别的数据（测试集）Xu；3、通过求Xu点到所有训练集数据的距离，取距离最近的n个点，查看这n个点所归属的类别，以少数服从多数的方式将Xu归类到已知训练集下

2、python实现最邻近算法案例

这里我构造了一个150*5的矩阵，分别代表三类数据。每行的前四个值代表数据的特征，第五个值代表数据的类别。如图：

这三类数据分别属于apple、banana、orange

第一步：加载数据。以split参数传来的参数为限，将小于split的随机数对应的数据划分到训练集，将大于split的随机数划分到测试集

    def loadDataset(self,filename, split, trainingSet, testSet):  # 加载数据集  split以某个值为界限分类train和test

        with open(filename, 'r') as csvfile:

            lines = csv.reader(csvfile)   #读取所有的行

            dataset = list(lines)     #转化成列表

            for x in range(len(dataset)-1):

                for y in range(4):

                    dataset[x][y] = float(dataset[x][y])

                if random.random() < split:   # 将所有数据加载到train和test中

                    trainingSet.append(dataset[x])

                else:

                    testSet.append(dataset[x])

第二步：对每个测试集中的数据进行迭代，取其临近点。

计算测试集中每个点到训练集中每个点的距离，将这些距离按从小到大进行排序，取最近的k个点作为归类点

    def getNeighbors(self,trainingSet, testInstance, k):  # 返回最近的k个边距

        distances = []

        length = len(testInstance)-1

        for x in range(len(trainingSet)):   #对训练集的每一个数计算其到测试集的实际距离

            dist = self.calculateDistance(testInstance, trainingSet[x], length)

            print('{}--{}'.format(trainingSet[x], dist))

            distances.append((trainingSet[x], dist))

        distances.sort(key=operator.itemgetter(1))   # 把距离从小到大排列

        neighbors = []

        for x in range(k):   #排序完成后取前k个距离

            neighbors.append(distances[x][0])

            return neighbors

计算距离函数

    def calculateDistance(self,testdata, traindata, length):   # 计算距离

        distance = 0     # length表示维度 数据共有几维

        for x in range(length):

            distance += pow((testdata[x]-traindata[x]), 2)

        return math.sqrt(distance) 

length表示维度，这里数据是4维

第三步：判断那k个点所属的类别，选择出现频率最大的类标号作为测试集的类标号

    def getResponse(self,neighbors):  # 根据少数服从多数，决定归类到哪一类

        classVotes = {}

        for x in range(len(neighbors)):

            response = neighbors[x][-1]  # 统计每一个分类的多少

            if response in classVotes:

                classVotes[response] += 1

            else:

                classVotes[response] = 1

        print(classVotes.items())

        sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True) #reverse按降序的方式排列

        return sortedVotes[0][0]

计算距离：

结果：

代码和测试数据点这里 ：密码：iaqr

如果嫌下载麻烦，这里是全部code：

# -*- coding: UTF-8 -*-

import math

import csv

import random

import operator



'''

@author:hunter

@time:2017.03.31

'''



class KNearestNeighbor(object):

    def __init__(self):

        pass



    def loadDataset(self,filename, split, trainingSet, testSet):  # 加载数据集  split以某个值为界限分类train和test

        with open(filename, 'r') as csvfile:

            lines = csv.reader(csvfile)   #读取所有的行

            dataset = list(lines)     #转化成列表

            for x in range(len(dataset)-1):

                for y in range(4):

                    dataset[x][y] = float(dataset[x][y])

                if random.random() < split:   # 将所有数据加载到train和test中

                    trainingSet.append(dataset[x])

                else:

                    testSet.append(dataset[x])





    def calculateDistance(self,testdata, traindata, length):   # 计算距离

        distance = 0     # length表示维度 数据共有几维

        for x in range(length):

            distance += pow((testdata[x]-traindata[x]), 2)

        return math.sqrt(distance)





    def getNeighbors(self,trainingSet, testInstance, k):  # 返回最近的k个边距

        distances = []

        length = len(testInstance)-1

        for x in range(len(trainingSet)):   #对训练集的每一个数计算其到测试集的实际距离

            dist = self.calculateDistance(testInstance, trainingSet[x], length)

            print('训练集:{}-距离:{}'.format(trainingSet[x], dist))

            distances.append((trainingSet[x], dist))

        distances.sort(key=operator.itemgetter(1))   # 把距离从小到大排列

        neighbors = []

        for x in range(k):   #排序完成后取前k个距离

            neighbors.append(distances[x][0])

            print(neighbors)

            return neighbors





    def getResponse(self,neighbors):  # 根据少数服从多数，决定归类到哪一类

        classVotes = {}

        for x in range(len(neighbors)):

            response = neighbors[x][-1]  # 统计每一个分类的多少

            if response in classVotes:

                classVotes[response] += 1

            else:

                classVotes[response] = 1

        print(classVotes.items())

        sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True) #reverse按降序的方式排列

        return sortedVotes[0][0]





    def getAccuracy(self,testSet, predictions):  # 准确率计算

        correct = 0

        for x in range(len(testSet)):

            if testSet[x][-1] == predictions[x]:   #predictions是预测的和testset实际的比对

                correct += 1

        print('共有{}个预测正确，共有{}个测试数据'.format(correct,len(testSet)))

        return (correct/float(len(testSet)))*100.0





    def Run(self):

        trainingSet = []

        testSet = []

        split = 0.75

        self.loadDataset(r'testdata.txt', split, trainingSet, testSet)   #数据划分

        print('Train set: ' + str(len(trainingSet)))

        print('Test set: ' + str(len(testSet)))

        #generate predictions

        predictions = []

        k = 3    # 取最近的3个数据

        # correct = []

        for x in range(len(testSet)):    # 对所有的测试集进行测试

            neighbors = self.getNeighbors(trainingSet, testSet[x], k)   #找到3个最近的邻居

            result = self.getResponse(neighbors)    # 找这3个邻居归类到哪一类

            predictions.append(result)

        # print(correct)

        accuracy = self.getAccuracy(testSet,predictions)

        print('Accuracy: ' + repr(accuracy) + '%')





if __name__ == '__main__':

    a = KNearestNeighbor()

    a.Run()