K 近鄰演算法

首先，我們將**k-近鄰演算法的基本理論；其次我們將使用python從文字檔案中匯入並解析資料；再次，討論當存在許多資料**的時，如何避免計算距離時可能碰到的一些常見錯誤；最後，利用實際的例子講解如何使用k-近鄰演算法改進約會**。

1.1 knn演算法

工作原理：存在乙個樣本資料集合，也稱作訓練樣本集，並且樣本集中每個資料都存在標籤，即我們知道樣本集中每一資料與所屬分類的對應關係。輸入沒有標籤的新資料後，將新資料的每個特徵與樣本集中資料對應的特徵進行比較，然後演算法提取樣本集中特徵最相似資料的分類標籤。最後，選擇k個最相似資料中出現次數最多的分類，作為新資料的分類。

程式清單1-1：k近鄰演算法

def
classify0
(inx,dataset,labels,k):
datasetsize = dataset.shape[0]
diffmat = tile(inx,(dataset,1))-dataset
sqdiffmat = diffmat**2
sqdistances = sqdiffmat.sum(axis = 1)  #將乙個矩陣的每行的行向量相加
distances = sqdistances**0.5
sorteddistindicies = distances.argsort() #返回陣列值從小到大的索引值
classcount = {}
for i in range(k):
votedilabel = labels[sorteddistindicies[i]]
classcount[votedilabel] = classcount.get(votedilabel,0)+1
sortedclasscount = sorted(classcount.iteritems(),key = operator.itemgetter(1),reverse = true)    #返回乙個給定的key對應的值，如果key是沒有的，然後返回0
return sortedclasscount[0][0]

classify0()函式有4個輸入引數：用於分類的輸入向量inx,輸入的訓練樣本集為dataset,標籤向量為labels，最後的引數k表示用於選擇最近鄰居的數目。使用歐式距離公式計算兩個向量點的距離。sortedclasscount按照第二個元素的次序對元組進行排序。此處的排序為逆序，即按照從最大到最小次序排序，最後返回發生頻率最高的元素標籤。

在將特徵資料輸入到分類器之前，必須將待處理資料的格式改變為分類器可以接受的格式。

程式清單1-2：將文字記錄轉換為numpy的解析程式

def
file2matrix
(filename):
fr = open(filename)
arrayolines = fr.readlines()
numberoflines = len(arrayolines)
returnmat = zeros((numberoflines,3))
classlabelvector = 
index = 0
for line in numberoflines:
line = line.strip()  #擷取掉所有的回車字元
listfromline = line.split('\t') #使用tab字元\t將上一步得到的整行資料分隔成乙個元素列表
returnmat[index,:] = listfromline[0:3]
index += 1
return returnmat,classlabelvector

該函式的輸入為檔名字串，輸出為訓練樣本矩陣和類標籤向量。

1.2.2 準備資料：歸一化數值

我們很容易發現，數字差值最大的屬性對計算結果的影響最大。在處理這種不同取值範圍的特徵值時，我們通常採用的方法是將數值歸一化，如將取值範圍處理為0到1或者-1到1之間。

程式清單1-3：歸一化特徵值

def
autonorm
(dataset):
minvals = dataset.min(0)  #引數0使得函式可以從列中選取最小值,而不是選取當前行的最小值
maxvals = dataset.max(0)
ranges = maxvals - minvals
normdataset = zeros(shape(dataset))
m = dataset.shape[0]
normdataset = dataset - tile(minvals,(m,1))
normdataset = normdataset/tile(ranges,(m,1))
return normdataset,ranges,minvals

autonorm()函式中，我們將每列的最小值放在變數minvals中，將最大值放在變數maxvals中。然後函式計算可能的取值範圍，並建立新的返回矩陣。為了歸一化特徵值，我們必須使用當前值減去最小值，然後除以取值範圍。

1.2.3 測試演算法：作為完整程式驗證分類器

def
datingclasstest
():    horatio = 0.10
datingdatamat,datinglabels = file2matrix('datingtestset.txt')
normmat,ranges,minvals = autonorm(datingdatamat)
m = normmat.shape[0]
numtestvecs = int(m*horatio)
errorcount = 0.0
for i in range(numtestvecs):
classifierresult = classify0(normmat[i,:],normmat[numtestvecs:m,:],datinglabels[numtestvecs:m],3)
print
"the classifer came back with:%d,the real answer is:%d" %(classifierresult,datinglabels[i])
if(classifierresult != datinglabels[i]):errorcount += 1.0
print
"the total error rate is :%f" %(errorcount/float(numtestvecs))

它使用file2matrix和autonorm函式從檔案中讀取資料並將其轉換為歸一化特徵值。接著計算測試向量的數量，此步決定了normmat向量中哪些資料用於測試，哪些資料用於分類器的訓練樣本；然後將這兩部分資料輸入到原始knn分類器函式classify0，最後，函式計算錯誤率並輸出結果。

1.2.4 使用演算法：構建完整可用系統

def
classifyperson
():    resultlist = ['not at all','in small doses','in large doses']
percenttats = float(raw_input("percentage of time spent playing video games?"))
ffmiles = float(raw_input("frequent flier miles earned per year?"))
icecream = float(raw_input("liters of ice cream consumed per year?"))
datingdatamat,datinglabels = file2matrix('datingtestset2.txt')
normmat,ranges,minvals = autonorm(datingdatamat)
inarr = array([ffmiles,percenttats,icecream])
classifierresult = classify0((inarr-minvals)/ranges,normmat,datinglabels,3)
print
"you will probably like this person:",resultlist[classifierresult - 1]
print classifyperson()

大部分**我們在前面都見過，唯一新加入的**是函式raw_input()。該函式允許使用者輸入文字行命令並返回使用者所輸入的命令。

(還可以構造使用k近鄰分類器的手寫識別系統，因為時間有限，這裡不做具體介紹，等有時間再繼續撰寫手寫識別系統的各個步驟實現…….)

K 近鄰演算法

k 近鄰演算法

K 近鄰演算法

K 近鄰演算法

相關推薦