機器學習實戰讀書筆記 二 k 近鄰演算法

knn演算法：

1.優點：精度高、對異常值不敏感、無資料輸入假定

2.缺點：計算複雜度高、空間複雜度高。

3.適用資料範圍：數值型和標稱型。

一般流程：

1.收集資料

2.準備資料

3.分析資料

4.訓練演算法：不適用

5.測試演算法：計算正確率

6.使用演算法：需要輸入樣本和結構化的輸出結果，然後執行k-近鄰演算法判定輸入資料分別屬於哪個分類，最後應用對計算出的分類執行後續的處理。

2.1.1 匯入資料

operator是排序時要用的

from numpy import *

import
operator
defcreatedataset():
group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels=['
a','
a','
b','b'
]    
return group,labels

更改當前工作目錄，匯入knn

os.chdir('

g:\\學習\\機器學習實戰')
import knn

group,labels=knn.createdataset()

1.計算己知類別資料集中的點與當前點之間的距離

2.按照距離遞增次數序排序

3.選取與當前點距離最小的k個點

4.確定前k個點所在類別的出現頻率

5.返回前k個點出現頻率最高的類別作為當前點的**分類

4個引數：

a.inx：用於分類的輸入向量

b.dataset：訓練樣本

c.標籤向量：labels

d.k：用於選擇最近鄰居的數目

def

classify0(inx, dataset, labels, k):
datasetsize =dataset.shape[0]
diffmat = tile(inx, (datasetsize,1)) -dataset
sqdiffmat = diffmat**2sqdistances = sqdiffmat.sum(axis=1)
distances = sqdistances**0.5sorteddistindicies =distances.argsort()     
classcount={}          
for i in
range(k):
voteilabel =labels[sorteddistindicies[i]]
classcount[voteilabel] = classcount.get(voteilabel,0) + 1sortedclasscount = sorted(classcount.iteritems(), key=operator.itemgetter(1), reverse=true)
return sortedclasscount[0][0]

6行按從小到大排序distances.argsort()，排完序後是下標

2.2 使用knn演算法改進約會**的配對效果

在knn.py中新增函式

strip是去掉前後的\n，[-1]竟然是指最後一列

def

file2matrix(filename):
fr =open(filename)
numberoflines = len(fr.readlines())         #
get the number of lines in the file
returnmat = zeros((numberoflines,3))        #
prepare matrix to return
classlabelvector =                        #
prepare labels return   
fr =open(filename)
index =0
for line in
fr.readlines():
line =line.strip()  
listfromline = line.split('\t'
)        returnmat[index,:] = listfromline[0:3]
index += 1
return returnmat,classlabelvector

reload(knn)

datingdatamat,datinglabels=knn.file2matrix('
datingtestset.txt
')

import

matplotlib
import
matplotlib.pyplot as plt
fig=plt.figure()
ax=fig.add_subplot(111)
ax.scatter(datingdatamat[:,1],datingdatamat[:,2])
plt.show()

換一下，用顏色顯示不同類別

import

matplotlib
import
matplotlib.pyplot as plt
fig=plt.figure()
ax=fig.add_subplot(111)
ax.scatter(datingdatamat[:,1],datingdatamat[:,2],15.0*numpy.array(datinglabels),15.0*numpy.array(datinglabels))
plt.show()

2.2.3 準備資料：歸一化數值

def

autonorm(dataset):
minvals =dataset.min(0)
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))   #
element wise divide
return normdataset, ranges, minvals

def

datingclasstest():
horatio = 0.50      #
hold out 10%
datingdatamat,datinglabels = file2matrix('
datingtestset2.txt
')       #
load data setfrom file
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 classifier 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))
print errorcount

機器學習實戰讀書筆記（一） K近鄰演算法

from numpy import import operator def createdataset 建立資料集 group array 1.0,1.1 1.0,1.1 0,0 0,0.1 labels a a b b return group,labels def classify0 inx,d...

k 近鄰演算法 機器學習讀書筆記

優點 精度高 對異常值不敏感 無資料輸入假定。缺點 計算複雜度高 空間複雜度高。適用資料範圍 數值型和標稱型。步驟 1.獲取原始資料集 資料向量和標籤 2.輸入待分類資料向量，計算該向量與每個原始資料集向量的距離 3.對所有距離排序 從近到遠 取前k個最近的原始資料集，檢視其標籤 4.前k個最近資料...

《機器學習實戰》讀書筆記

監督學習使用兩種型別的目標變數 之所以稱監督學習,是因為這類演算法必須知道 什麼,即目標變數的分類資訊 在無監督學習中,將資料集合分成由類似的物件組成的多個類的過程被稱為聚類 將尋找描述資料統計值的過程稱之為密度估計 是 否要 預測目標 變數的值 是 監督學習 目標變數型別 begin離散型 分類演...