机器学习实战 - python3 学习笔记（一） - k近邻算法

一. 使用k近邻算法改进约会网站的配对效果

k-近邻算法的一般流程：

1. 收集数据：可以使用爬虫进行数据的收集，也可以使用第三方提供的免费或收费的数据。一般来讲，数据放在txt文本文件中，按照一定的格式进行存储，便于解析及处理。
2. 准备数据：使用Python解析、预处理数据。
3. 分析数据：可以使用很多方法对数据进行分析，例如使用Matplotlib将数据可视化。
4. 测试算法：计算错误率。
5. 使用算法：错误率在可接受范围内，就可以运行k-近邻算法进行分类。

实战内容：

海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选，但她并不是喜欢每一个人。经过一番总结，她发现自己交往过的人可以进行如下分类：

• 不喜欢的人
• 魅力一般的人
• 极具魅力的人

海伦收集约会数据已经有了一段时间，她把这些数据存放在文本文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。

海伦收集的样本数据主要包含以下3种特征：

• 每年获得的飞行常客里程数
• 玩视频游戏所消耗时间百分比
• 每周消费的冰淇淋公升数

完整代码：

 import numpy as np
 import operator
 import matplotlib
 import matplotlib.pyplot as plt
 
 def classify0(inX, dataSet, labels, k):
     '''距离计算'''
     dataSetSize = dataSet.shape[0]
     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
     sqDiffMat = diffMat ** 2
     sqDistances = sqDiffMat.sum(axis=1)
     distances = sqDistances ** 0.5
     sortedDistIndicies = distances.argsort()
     classCount = {}
     '''选择距离最小的k个点'''
     for i in range(k):
         voteIlabel = labels[sortedDistIndicies[i]]
         classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
     '''排序'''
     sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
     return sortedClassCount[0][0]
 
 def file2matrix(filename):
     fr = open(filename)             # 打开文件
     arrayOfLines = fr.readlines()   # 读取文件所有内容
     numberOfLines = len(arrayOfLines)       # 返回文件的行数
     returnMat = np.zeros((numberOfLines, 3))
     classLabelVector = []
     index = 0
     for line in arrayOfLines:
         line = line.strip()
         listFromLine = line.split('\t')
         returnMat[index, :] = listFromLine[0:3]
         # 根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
         if listFromLine[-1] == 'didntLike':
             classLabelVector.append(1)
         elif listFromLine[-1] == 'smallDoses':
             classLabelVector.append(2)
         elif listFromLine[-1] == 'largeDoses':
             classLabelVector.append(3)
         index += 1
     return returnMat, classLabelVector
 
 datingDataMat, datingLabels = file2matrix('datingTestSet.txt')
 
 fig = plt.figure()
 ax = fig.add_subplot(111)
 ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2], 15.0 * np.array(datingLabels), 15.0 * np.array(datingLabels))
 plt.show()
 
 def autoNorm(dataSet):
     '''归一化特征值:利用公式 newValue = (oldValue - min) / (max - min), 这个公式可以将任意取值范围的特征值转化为0到1区间的值'''
     normDataSet = np.zeros(np.shape(dataSet))
     m = dataSet.shape[0]
 
     minVals = dataSet.min(0)                # min(0) 表示返回矩阵中所有列的最小值，当min(1)时，则返回矩阵中所有行的最小值
     maxVals = dataSet.max(0)
     ranges = maxVals - minVals
 
     normDataSet = dataSet - np.tile(minVals, (m, 1))
     normDataSet = normDataSet / np.tile(ranges, (m, 1))
     return normDataSet, ranges, minVals
 normMat, ranges, minVals = autoNorm(datingDataMat)
 
 def datingClassTest():
     hoRatio = 0.10      # 取所有数据的百分之10
 
     filename = 'datingTestSet.txt'
     datingDataMat, datingLabels = file2matrix(filename)
     normMat, ranges, minVals = autoNorm(datingDataMat)
 
     m = normMat.shape[0]
     numTestVes = int(m * hoRatio)       # 测试集数量
     errorCount = 0.0        # 错误的次数
     for i in range(numTestVes):
         # 前100个数据作为测试集，后900个数据作为训练集
         classifierResult = classify0(normMat[i, :], normMat[numTestVes:m, :], datingLabels[numTestVes:m], 4)
         print('分类结果: %d, 真实类别: %d'%(classifierResult, datingLabels[i]))
 
         if (classifierResult != datingLabels[i]):
             errorCount += 1.0
     print('错误率: %f%%' % (errorCount / float(numTestVes) * 100))
 datingClassTest()
 
 def classifyPerson():
     resultList = ['讨厌', '有些喜欢', '非常喜欢']
     percentTats = float(input('玩视频游戏所耗时间百分比：'))
     ffMiles = float(input('每年获得的飞行常客里程数：'))
     iceCream = float(input('每周消费的冰淇淋公升数：'))
 
     filename = 'datingTestSet.txt'
     datingDataMat, datingLabels = file2matrix(filename)
     normMat, ranges, minVals = autoNorm(datingDataMat)
 
     inArr = np.array([ffMiles, percentTats, iceCream])
     classifierResult = classify0((inArr - minVals) / ranges, normMat, datingLabels, 4)
 
     print('你可能%s这个人' % (resultList[classifierResult - 1]))
 
 classifyPerson()

运行结果：

二. sklearn手写数字识别系统

为了简单起见，这里构造的系统只能识别数字0到9，需要识别的数字已经使用图形处理软件，处理成具有相同的色彩和大小①：宽高是32像素×32像素的黑白图像。尽管采用文本格式存储图像不能有效地利用内存空间，但是为了方便理解，我们还是将图像转换为文本格式。

接下来，我们将使用强大的第三方Python科学计算库Sklearn构建手写数字系统。

import numpy as np
import operator
from os import listdir
from sklearn.neighbors import KNeighborsClassifier as KNN
 
def img2Vector(filename):
    '''将32*32的二进制图像转换为1*1024向量'''
 
    # 创建1*1024 的零向量
    returnVect = np.zeros((1, 1024))
    # 打开文件
    fr = open(filename)
    # 按行读取
    for i in range(32):
        # 读一行数据
        lineStr = fr.readline()
        # 每一行的前32个元素依次添加到returnVect中
        for j in range(32):
            returnVect[0, 32 * i + j] = int(lineStr[j])
 
    # 返回转换后的1*1024向量
    return returnVect
 
def handwritingClassTest():
    '''手写数字分类测试'''
 
    # 测试集的Labels
    hwLabels = []
    # 返回trainingDigits目录下的文件名
    trainingFileList = listdir('trainingDigits')
    # 返回文件夹下文件的个数
    m = len(trainingFileList)
    # 初始化训练的Mat矩阵，测试集
    trainingMat = np.zeros((m, 1024))
    # 从文件名中解析出训练集的类别
    for i in range(m):
        # 获得文件的名字
        fileNameStr = trainingFileList[i]
        # 获得分类的数字
        classNumber = int(fileNameStr.split('_')[0])
        # 将获得的类别添加到hwLabels中
        hwLabels.append(classNumber)
        # 将每一个文件的1*1024数据存储到trainingMat矩阵中
        trainingMat[i, :] = img2Vector('trainingDigits/%s' % (fileNameStr))
    # 构建KNN分类器
    neigh = KNN(n_neighbors=3, algorithm='auto')
    # 拟合模型，trainingMat为训练矩阵，hwLabels为对应的标签
    neigh.fit(trainingMat,hwLabels)
    # 返回testDigits目录下的文件列表
    testFileList = listdir('testDigits')
    # 错误检测计数
    errorCount = 0.0
    # 测试集的数量
    mTest = len(testFileList)
    # 从文件中解析出测试集的类别并进行分类
    for i in range(mTest):
        # 获得文件的名字
        fileNameStr = testFileList[i]
        # 获得分类的数字
        classNumber = int(fileNameStr.split('_')[0])
        # 获得测试集的1*1024向量，用于训练
        vectorUnderTest = img2Vector('testDigits/%s' % (fileNameStr))
        # 获得预测结果
        classifierResult = neigh.predict(vectorUnderTest)
 
        print('分类返回结果为：%d\t真是结果为：%d' % (classifierResult, classNumber))
 
        if classifierResult != classNumber:
            errorCount += 1.0
    print('总共错了 %d 个数据\n错误率为：%f%%' % (errorCount, errorCount / mTest * 100))
 
handwritingClassTest()

运行结果：