一、算法流程:
二、约会网站实例流程:
三、代码详解:
import numpy as np
import operator
import matplotlib.pyplot as plt def classify(inX, dataset, labels, k):"""inX 是输入的测试样本,是一个[x, y]样式的dataset 是训练样本集labels 是训练样本标签k 是top k最相近的"""# shape返回矩阵的[行数,列数],# 那么shape[0]获取数据集的行数,# 行数就是样本的数量dataSetSize = dataset.shape[0] """下面的求距离过程就是按照欧氏距离的公式计算的。即 根号(x^2+y^2)"""# tile属于numpy模块下边的函数# tile(A, reps)返回一个shape=reps的矩阵,矩阵的每个元素是A# 比如 A=[0,1,2] 那么,tile(A, 2)= [0, 1, 2, 0, 1, 2]# tile(A,(2,2)) = [[0, 1, 2, 0, 1, 2],# [0, 1, 2, 0, 1, 2]]# tile(A,(2,1,2)) = [[[0, 1, 2, 0, 1, 2]],# [[0, 1, 2, 0, 1, 2]]] # 上边那个结果的分开理解就是:# 最外层是2个元素,即最外边的[]中包含2个元素,类似于[C,D],而此处的C=D,因为是复制出来的# 然后C包含1个元素,即C=[E],同理D=[E]# 最后E包含2个元素,即E=[F,G],此处F=G,因为是复制出来的# F就是A了,基础元素# 综合起来就是(2,1,2)= [C, C] = [[E], [E]] = [[[F, F]], [[F, F]]] = [[[A, A]], [[A, A]]]# 这个地方就是为了把输入的测试样本扩展为和dataset的shape一样,然后就可以直接做矩阵减法了。# 比如,dataset有4个样本,就是4*2的矩阵,输入测试样本肯定是一个了,就是1*2,为了计算输入样本与训练样本的距离# 那么,需要对这个数据进行作差。这是一次比较,因为训练样本有n个,那么就要进行n次比较;# 为了方便计算,把输入样本复制n次,然后直接与训练样本作矩阵差运算,就可以一次性比较了n个样本。# 比如inX = [0,1],dataset就用函数返回的结果,那么# tile(inX, (4,1))= [[ 0.0, 1.0],# [ 0.0, 1.0],# [ 0.0, 1.0],# [ 0.0, 1.0]]# 作差之后# diffMat = [[-1.0,-0.1],# [-1.0, 0.0],# [ 0.0, 1.0],# [ 0.0, 0.9]]diffMat =np. tile(inX, (dataSetSize, 1)) - dataset# diffMat就是输入样本与每个训练样本的差值,然后对其每个x和y的差值进行平方运算。# diffMat是一个矩阵,矩阵**2表示对矩阵中的每个元素进行**2操作,即平方。# sqDiffMat = [[1.0, 0.01],# [1.0, 0.0 ],# [0.0, 1.0 ],# [0.0, 0.81]]sqDiffMat = diffMat ** 2# axis=1表示按照横轴,sum表示累加,即按照行进行累加。# sqDistance = [[1.01],# [1.0 ],# [1.0 ],# [0.81]]sqDistance = sqDiffMat.sum(axis=1)# 对平方和进行开根号distance = sqDistance ** 0.5# 按照升序进行快速排序,返回的是原数组的下标。# 比如,x = [30, 10, 20, 40]# 升序排序后应该是[10,20,30,40],他们的原下标是[1,2,0,3]# 那么,numpy.argsort(x) = [1, 2, 0, 3]sortedDistIndicies = distance.argsort()# 存放最终的分类结果及相应的结果投票数classCount = {}# 投票过程,就是统计前k个最近的样本所属类别包含的样本个数for i in range(k):# index = sortedDistIndicies[i]是第i个最相近的样本下标# voteIlabel = labels[index]是样本index对应的分类结果('A' or 'B')voteIlabel = labels[sortedDistIndicies[i]]# classCount.get(voteIlabel, 0)返回voteIlabel的值,如果不存在,则返回0# 然后将票数增1classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1# 把分类结果进行排序,然后返回得票数最多的分类结果sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)return sortedClassCount[0][0]
def file2matrix(filename):"""从文件中读入训练数据,并存储为矩阵"""fr = open(filename)arrayOlines = fr.readlines()numberOfLines = len(arrayOlines) #获取 n=样本的行数returnMat = np.zeros((numberOfLines,3)) #创建一个2维矩阵用于存放训练样本数据,一共有n行,每一行存放3个数据classLabelVector = [] #创建一个1维数组用于存放训练样本标签。 #print(returnMat)index = 0for line in arrayOlines:# 把回车符号给去掉line = line.strip() # 把每一行数据用\t分割listFromLine = line.split('\t')# 把分割好的数据放至数据集,其中index是该样本数据的下标,就是放到第几行returnMat[index,:] = listFromLine[0:3]# 把该样本对应的标签放至标签集,顺序与样本集对应。classLabelVector.append(int(listFromLine[-1]))index += 1return returnMat,classLabelVectordef autoNorm(dataSet):"""训练数据归一化"""# 获取数据集中每一列的最小数值# 以createDataSet()中的数据为例,group.min(0)=[0,0]minVals = dataSet.min(0) # 获取数据集中每一列的最大数值# group.max(0)=[1, 1.1]maxVals = dataSet.max(0) # 最大值与最小的差值ranges = maxVals - minVals# 创建一个与dataSet同shape的全0矩阵,用于存放归一化后的数据normDataSet = np.zeros(np.shape(dataSet))m = dataSet.shape[0]# 把最小值扩充为与dataSet同shape,然后作差,具体tile请翻看 第三节 代码中的tilenormDataSet = dataSet - np.tile(minVals, (m,1))# 把最大最小差值扩充为dataSet同shape,然后作商,是指对应元素进行除法运算,而不是矩阵除法。# 矩阵除法在numpy中要用linalg.solve(A,B)normDataSet = normDataSet/np.tile(ranges, (m,1))return normDataSet, ranges, minValsdef datingClassTest():# 将数据集中10%的数据留作测试用,其余的90%用于训练hoRatio = 0.10datingDataMat,datingLabels = file2matrix('C:\\Users\\蓝月亮\\Desktop\\机器学习实战源代码\\machinelearninginaction\\Ch02\\datingTestSet2.txt') #load data setfrom file#print(datingDataMat)#print(datingLabels)normMat, ranges, minVals = autoNorm(datingDataMat)m = normMat.shape[0]print(m)numTestVecs = int(m*hoRatio)errorCount = 0.0for i in range(numTestVecs):classifierResult = classify(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],4)#print(classifierResult)print("the classifier came back with: %d, the real answer is: %d, result is :%s" % (classifierResult, datingLabels[i],classifierResult==datingLabels[i]))if(classifierResult != datingLabels[i]): errorCount+= 1.0print("the total error rate is: %f" % (errorCount/float(numTestVecs)))print(errorCount)
结果:选取K=4,正确率为96%100