《机器学习实战》--KNN，,代码来自《机器学习实

《机器学习实战》--KNN，,代码来自《机器学习实

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。

 1 """创建数据集 2 返回: group - 数据集 3      labels - 分类标签 4 """ 5 def createDataSet(): 6     # 四组二维特征 7     group = np.array([[1, 101], [5, 89], [108, 5], [115, 8]]) 8     # 四组特征的标签 9     labels = [‘爱情片‘, ‘爱情片‘, ‘动作片‘, ‘动作片‘]10     return group, labels11 12 13 """14 KNN算法，分类器15 参数：16     inX - 用于分类的数据（测试集）17     dataSet - 用于训练的数据（训练集）（n*1维列向量)18     labels - 分类标准（n*1维列向量)19     k - KNN算法参数，选择距离最小的k个点20 返回：21     sortedClasscount[0][0] - 分类结果22 """23 def classify0(inX, dataSet, labels, k):24     # numpy函数shape[0]返回dataSet的行数（维度）25     dataSetSize = dataSet.shape[0]26     # 将inX重复dataSetSize次并排成一列27     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet28     # 二维特征相减后平方29     sqDiffMat = diffMat**230     # sum()所有元素相加，sum(0)列相加，sum(1)行相加31     sqDistances = sqDiffMat.sum(axis=1)32     # 开方，计算出距离33     distances = sqDistances**0.534     # argsort函数返回的是distances值从小到大的索引值35     sortedDistIndicies = distances.argsort()36     # 定义一个记录类别次数的词典37     classCount = {}38     # 选择距离最小的k个点39     for i in range(k):40         # 取出前k个元素的类别41         voteIlabel = labels[sortedDistIndicies[i]]42         # 字典的get()方法，返回指定键的值，如果值不在字典中返回043         # 计算类别次数44         classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 145     # reverse降序排序字典，operator.itemgetter(1)按值排序，(0)按键排序46     sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)47     # 返回次数最多的类别，即所要分类的类别48     return sortedClassCount[0][0]49 50 # 测试51 group, labels = createDataSet()52 classify0([0,0], group, labels, 3)  # output: ‘爱情片‘

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。

 1 """ 2 将32*32的二进制图像转换为1*1024向量 3 参数： 4     filename - 文件名 5 返回： 6     returnVect - 返回二进制图像的1*1024向量 7 """ 8  9 def img2vector(filename):10     returnVect = np.zeros((1, 1024))11     fr = open(filename)12     # 按行读取13     for i in range(32):14         # 读取一行数据15         lineStr = fr.readline()16         # 每一行的前32个数据依次存储到returnVect中17         for j in range(32):18             returnVect[0, 32*i+j] = int(lineStr[j])19     # 返回转换后的1*1024向量20     return returnVect21 22 # 测试23 testVector = img2vector(‘testDigits/0_13.txt‘)24 testVector[0, 0:31]25 # output: array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1.,26 #        1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

测试算法

 1 """ 2 手写数字分类测试 3 参数： 4     None 5 返回: 6     None 7 """ 8 def handwritingClassTest(): 9     # 测试集的labels10     hwLabels = []11     # 返回trainingDigits目录下的文件名12     trainingFilesList = listdir(‘trainingDigits‘)13     # 返回文件夹下文件的个数14     m = len(trainingFilesList)15     # 初始化训练的Mat矩阵（全零针），测试集16     trainingMat = np.zeros((m, 1024))17     # 从文件名中解析出训练集的类别18     for i in range(m):19         # 获得文件的名字20         fileNameStr = trainingFilesList[i]21         # 获得分类的数字22         classNumber = int(fileNameStr.split(‘_‘)[0])23         # 将获得的类别添加到hwLabels中24         hwLabels.append(classNumber)25         # 将每个文件的1*1024数据存储到trainingMat矩阵中26         trainingMat[i, :] = img2vector(‘trainingDigits/%s‘ % (fileNameStr))27     # 构造KNN分类器28     neigh = KNN(n_neighbors=3, algorithm=‘auto‘)29     # 拟合模型，trainingMat为测试矩阵，hwLabels为对应标签30     neigh.fit(trainingMat, hwLabels)31     # 返回testDigits目录下的文件列表32     testFileList = listdir(‘testDigits‘)33     # 错误检测计数34     errorCount =0.035     # 测试数据的数量36     mTest = len(testFileList)37     # 从文件中解析出测试集的类别并进行分类测试38     for i in range(mTest):39         # 获得文件名字40         fileNameStr = testFileList[i]41         # 获得分类的数字42         classNumber = int(fileNameStr.split(‘_‘)[0])43         # 获得测试集的1*1024向量，用于训练44         vectorUnderTest = img2vector(‘testDigits/%s‘ % (fileNameStr))45         # 获得预测结果46         classifierResult = neigh.predict(vectorUnderTest)47         print("分类返回结果为%d\t真实结果为%d" % (classifierResult, classNumber))48         if(classifierResult != classNumber):49             errorCount += 1.050     print("总共错了%d个数据\n错误率为%f%%" % (errorCount, errorCount/mTest * 100))

《机器学习实战》--KNN