最近在看《機器學(xué)習(xí)實戰(zhàn)》這本書，因為自己本身很想深入的了解機器學(xué)習(xí)算法，加之想學(xué)python，就在朋友的推薦之下選擇了這本書進行學(xué)習(xí)。
一 . K-近鄰算法（KNN）概述
最簡單最初級的分類器是將全部的訓(xùn)練數(shù)據(jù)所對應(yīng)的類別都記錄下來，當測試對象的屬性和某個訓(xùn)練對象的屬性完全匹配時，便可以對其進行分類。但是怎么可能所有測試對象都會找到與之完全匹配的訓(xùn)練對象呢，其次就是存在一個測試對象同時與多個訓(xùn)練對象匹配，導(dǎo)致一個訓(xùn)練對象被分到了多個類的問題，基于這些問題呢，就產(chǎn)生了KNN。
KNN是通過測量不同特征值之間的距離進行分類。它的的思路是：如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。K通常是不大于20的整數(shù)。KNN算法中，所選擇的鄰居都是已經(jīng)正確分類的對象。該方法在定類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。
下面通過一個簡單的例子說明一下：如下圖，綠色圓要被決定賦予哪個類，是紅色三角形還是藍色四方形？如果K=3，由于紅色三角形所占比例為2/3，綠色圓將被賦予紅色三角形那個類，如果K=5，由于藍色四方形比例為3/5，因此綠色圓被賦予藍色四方形類。
由此也說明了KNN算法的結(jié)果很大程度取決于K的選擇。
在KNN中，通過計算對象間距離來作為各個對象之間的非相似性指標，避免了對象之間的匹配問題，在這里距離一般使用歐氏距離或曼哈頓距離：
同時，KNN通過依據(jù)k個對象中占優(yōu)的類別進行決策，而不是單一的對象類別決策。這兩點就是KNN算法的優(yōu)勢。
接下來對KNN算法的思想總結(jié)一下：就是在訓(xùn)練集中數(shù)據(jù)和標簽已知的情況下，輸入測試數(shù)據(jù)，將測試數(shù)據(jù)的特征與訓(xùn)練集中對應(yīng)的特征進行相互比較，找到訓(xùn)練集中與之最為相似的前K個數(shù)據(jù)，則該測試數(shù)據(jù)對應(yīng)的類別就是K個數(shù)據(jù)中出現(xiàn)次數(shù)最多的那個分類，其算法的描述為：
1）計算測試數(shù)據(jù)與各個訓(xùn)練數(shù)據(jù)之間的距離；
2）按照距離的遞增關(guān)系進行排序；
3）選取距離最小的K個點；
4）確定前K個點所在類別的出現(xiàn)頻率；
5）返回前K個點中出現(xiàn)頻率最高的類別作為測試數(shù)據(jù)的預(yù)測分類。
二 .python實現(xiàn)
首先呢，需要說明的是我用的是python3.4.3，里面有一些用法與2.7還是有些出入。
建立一個KNN.py文件對算法的可行性進行驗證，如下：
#coding:utf-8from numpy import *import operator##給出訓(xùn)練數(shù)據(jù)以及對應(yīng)的類別def createDataSet(): group = array([[1.0,2.0],[1.2,0.1],[0.1,1.4],[0.3,3.5]]) labels = ['A','A','B','B'] return group,labels###通過KNN進行分類def classify(input,dataSe t,label,k): dataSize = dataSet.shape[0] ####計算歐式距離 diff = tile(input,(dataSize,1)) - dataSet sqdiff = diff ** 2 squareDist = sum(sqdiff,axis = 1)###行向量分別相加，從而得到新的一個行向量 dist = squareDist ** 0.5 ##對距離進行排序 sortedDistIndex = argsort(dist)##argsort()根據(jù)元素的值從大到小對元素進行排序，返回下標 classCount={} for i in range(k): voteLabel = label[sortedDistIndex[i]] ###對選取的K個樣本所屬的類別個數(shù)進行統(tǒng)計 classCount[voteLabel] = classCount.get(voteLabel,0) + 1 ###選取出現(xiàn)的類別次數(shù)最多的類別 maxCount = 0 for key,value in classCount.items(): if value > maxCount: maxCount = value classes = key return classes
接下來，在命令行窗口輸入如下代碼：
#-*-coding:utf-8 -*-import syssys.path.append("...文件路徑...")import KNNfrom numpy import *dataSet,labels = KNN.createDataSet()input = array([1.1,0.3])K = 3output = KNN.classify(input,dataSet,labels,K)print("測試數(shù)據(jù)為:",input,"分類結(jié)果為：",output)
回車之后的結(jié)果為：
測試數(shù)據(jù)為： [ 1.1 0.3] 分類為： A
答案符合我們的預(yù)期，要證明算法的準確性，勢必還需要通過處理復(fù)雜問題進行驗證，之后另行說明。
這是第一次用python編的一個小程序，勢必會遇到各種問題，在此次編程調(diào)試過程中遇到了如下問題：
1 導(dǎo)入.py文件路徑有問題，因此需要在最開始加如下代碼：
sys.path.append("文件路徑")，這樣就不會存在路徑有誤的問題了；
2 在python提示代碼存在問題時，一定要及時改正，改正之后保存之后再執(zhí)行命令行，這一點跟MATLAB是不一樣的，所以在python中最好是敲代碼的同時在命令行中一段一段的驗證；
3 在調(diào)用文件時函數(shù)名一定要寫正確，否則會出現(xiàn)：'module' object has no attribute 'creatDataSet'；
4 'int' object has no attribute 'kclassify'，這個問題出現(xiàn)的原因是之前我講文件保存名為k.py,在執(zhí)行
output = K.classify(input,dataSet,labels,K)這一句就會出錯。根據(jù)函數(shù)式編程的思想，每個函數(shù)都可以看為是一個變量而將K賦值后，調(diào)用k.py時就會出現(xiàn)問題。
三 MATLAB實現(xiàn)
之前一直在用MATLAB做聚類算法的一些優(yōu)化，其次就是數(shù)模的一些常用算法，對于別的算法，還真是沒有上手編過，基礎(chǔ)還在，思想還在，當然要動手編一下，也是不希望在學(xué)python的同時對MATLAB逐漸陌生吧，走走停停，停很重要。
首先，建立KNN.m文件，如下：
%% KNNclear allclc%% datatrainData = [1.0,2.0;1.2,0.1;0.1,1.4;0.3,3.5];trainClass = [1,1,2,2];testData = [0.5,2.3];k = 3;%% distancerow = size(trainData,1);col = size(trainData,2);test = repmat(testData,row,1);dis = zeros(1,row);for i = 1:row diff = 0; for j = 1:col diff = diff + (test(i,j) - trainData(i,j)).^2; end dis(1,i) = diff.^0.5;end%% sortjointDis = [dis;trainClass];sortDis= sortrows(jointDis');sortDisClass = sortDis';%% findclass = sort(2:1:k);member = unique(class);num = size(member);max = 0;for i = 1:num count = find(class == member(i)); if count > max max = count; label = member(i); endenddisp('最終的分類結(jié)果為：');fprintf('%d\n',label) 運行之后的結(jié)果是，最終的分類結(jié)果為：2。和預(yù)期結(jié)果一樣。
總而言之，用MATLAB的時間相對長點，自然也就得心應(yīng)手點，不過還是希望早點能將python運用自如吧！
三 實戰(zhàn)
之前，對KNN進行了一個簡單的驗證，今天我們使用KNN改進約會網(wǎng)站的效果，個人理解，這個問題也可以轉(zhuǎn)化為其它的比如各個網(wǎng)站迎合客戶的喜好所作出的推薦之類的，當然，今天的這個例子功能也實在有限。
在這里根據(jù)一個人收集的約會數(shù)據(jù)，根據(jù)主要的樣本特征以及得到的分類，對一些未知類別的數(shù)據(jù)進行分類，大致就是這樣。
我使用的是python 3.4.3,首先建立一個文件，例如date.py,具體的代碼如下：
#coding:utf-8from numpy import *import operatorfrom collections import Counterimport matplotlibimport matplotlib.pyplot as plt###導(dǎo)入特征數(shù)據(jù)def file2matrix(filename): fr = open(filename) contain = fr.readlines()###讀取文件的所有內(nèi)容 count = len(contain) returnMat = zeros((count,3)) classLabelVector = [] index = 0 for line in contain: line = line.strip() ###截取所有的回車字符 listFromLine = line.split('\t') returnMat[index,:] = listFromLine[0:3]###選取前三個元素，存儲在特征矩陣中 classLabelVector.append(listFromLine[-1])###將列表的最后一列存儲到向量classLabelVector中 index += 1 ##將列表的最后一列由字符串轉(zhuǎn)化為數(shù)字，便于以后的計算 dictClassLabel = Counter(classLabelVector) classLabel = [] kind = list(dictClassLabel) for item in classLabelVector: if item == kind[0]: item = 1 elif item == kind[1]: item = 2 else: item = 3 classLabel.append(item) return returnMat,classLabel#####將文本中的數(shù)據(jù)導(dǎo)入到列表##繪圖（可以直觀的表示出各特征對分類結(jié)果的影響程度）datingDataMat,datingLabels = file2matrix('D:\python\Mechine learing in Action\KNN\datingTestSet.txt')fig = plt.figure()ax = fig.add_subplot(111)ax.scatter(datingDataMat[:,0],datingDataMat[:,1],15.0*array(datingLabels),15.0*array(datingLabels))plt.show()## 歸一化數(shù)據(jù),保證特征等權(quán)重def autoNorm(dataSet): minVals = dataSet.min(0) maxVals = dataSet.max(0) ranges = maxVals - minVals normDataSet = zeros(shape(dataSet))##建立與dataSet結(jié)構(gòu)一樣的矩陣 m = dataSet.shape[0] for i in range(1,m): normDataSet[i,:] = (dataSet[i,:] - minVals) / ranges return normDataSet,ranges,minVals##KNN算法def classify(input,dataSet,label,k): dataSize = dataSet.shape[0] ####計算歐式距離 diff = tile(input,(dataSize,1)) - dataSet sqdiff = diff ** 2 squareDist = sum(sqdiff,axis = 1)###行向量分別相加，從而得到新的一個行向量 dist = squareDist ** 0.5 ##對距離進行排序 sortedDistIndex = argsort(dist)##argsort()根據(jù)元素的值從大到小對元素進行排序，返回下標 classCount={} for i in range(k): voteLabel = label[sortedDistIndex[i]] ###對選取的K個樣本所屬的類別個數(shù)進行統(tǒng)計 classCount[voteLabel] = classCount.get(voteLabel,0) + 1 ###選取出現(xiàn)的類別次數(shù)最多的類別 maxCount = 0 for key,value in classCount.items(): if value > maxCount: maxCount = value classes = key return classes##測試(選取10%測試）def datingTest(): rate = 0.10 datingDataMat,datingLabels = file2matrix('D:\python\Mechine learing in Action\KNN\datingTestSet.txt') normMat,ranges,minVals = autoNorm(datingDataMat) m = normMat.shape[0] testNum = int(m * rate) errorCount = 0.0 for i in range(1,testNum): classifyResult = classify(normMat[i,:],normMat[testNum:m,:],datingLabels[testNum:m],3) print("分類后的結(jié)果為:,", classifyResult) print("原結(jié)果為：",datingLabels[i]) if(classifyResult != datingLabels[i]): errorCount += 1.0 print("誤分率為:",(errorCount/float(testNum))) ###預(yù)測函數(shù)def classifyPerson(): resultList = ['一點也不喜歡','有一丟丟喜歡','灰常喜歡'] percentTats = float(input("玩視頻所占的時間比?")) miles = float(input("每年獲得的飛行常客里程數(shù)?")) iceCream = float(input("每周所消費的冰淇淋公升數(shù)?")) datingDataMat,datingLabels = file2matrix('D:\python\Mechine learing in Action\KNN\datingTestSet2.txt') normMat,ranges,minVals = autoNorm(datingDataMat) inArr = array([miles,percentTats,iceCream]) classifierResult = classify((inArr-minVals)/ranges,normMat,datingLabels,3) print("你對這個人的喜歡程度:",resultList[classifierResult - 1])
新建test.py文件了解程序的運行結(jié)果，代碼：
#coding:utf-8from numpy import *import operatorfrom collections import Counterimport matplotlibimport matplotlib.pyplot as pltimport syssys.path.append("D:\python\Mechine learing in Action\KNN")import datedate.classifyPerson()
運行結(jié)果如下圖：
這樣就算是成功了吧，當然，在這其中也遇到了很多的問題，我看的《機器學(xué)習(xí)實戰(zhàn)》這本書主要還是針對于python2.7的，理所應(yīng)當?shù)奈矣龅搅瞬簧賳栴}。有在學(xué)習(xí)這本書的朋友咱們可以交流下哈~
好困了，想著早點寫完這篇，也就吃完飯沒睡覺，完工了！
還希望大家能多提寶貴意見~
