首页 > 编程语言 >【机器学习实战学习笔记】之 2 k-近邻算法

【机器学习实战学习笔记】之 2 k-近邻算法

时间:2022-10-12 18:03:09浏览次数:83  
标签:Python 代码 样本 学习 算法 print 数据 近邻


本学习笔记参考书目《机器学习实战》第二章。

本章所有本书对应代码及数据集下载请点击(​​下载链接​​)。

本文中博主自己写的代码如有需要,请点击(​​下载链接​​)。

目录

​一、k-近邻算法概述​

​1、引入​

​2、k-近邻算法(kNN)​

​3、Python实现​

​二、k-近邻算法应用-改进约会网站的配对效果​

​1、步骤​

​2、准备数据:从文本文件中解析数据​

​3、分析数据:使用Matplotlib创建散点图​

​4、准备数据:归一化数值​

​5、测试算法:作为完整程序验证分类器​

​6、使用算法:构建完整可用系统​

​三、示例:手写识别系统​

​1、步骤​

​2、准备数据:将图像转换为测试向量​

​3、测试算法:使用 k-近邻算法识别手写数字​

​四、总结​

​1、k-近邻算法优缺点​


一、k-近邻算法概述

1、引入

1.分类标准引发的问题

以电影为例,电影按照题材分类,如何区分电影的类型?相同类型的电影有哪些共同特征?不同类型电影也会有相同的镜头,如何区分并成功分类?

2、k-近邻算法(kNN)

1.定义

k-近邻算法是机器学习算法,采用测量不同特征值之间的距离的方法进行分类

2.算法特点

(1)优点:进度高,对异常值不敏感,无数据输入假定。

(2)缺点:计算复杂度高,空间复杂度高。

(3)适用数据范围:数值型与标称型。

3.工作原理

(1)存在一个样本数据集合(也称作训练样本集),样本集中每个数据都存在标签(即我们知道样本集中每一数据与所属分类的对应关系。)

(2)输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。

         注:一般来说,只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。

(3)最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。。

4.举例

例:使用k-近邻算法分类爱情片和动作片


【机器学习实战学习笔记】之 2  k-近邻算法_Matplotlib

图2-1  6部电影的打斗和接吻镜头数

(1)给定一个类型未知的电影,确定电影存在多少个打斗镜头和接吻镜头。图2-1中问号位置是该未知电影出现的镜头数图形化展示。


【机器学习实战学习笔记】之 2  k-近邻算法_数据_02

表2 - 1  每部电影的打斗镜头数、接吻镜头数以及电影评估类型

(2)计算未知电影与样本集中其他电影的距离(此处暂时不考虑距离值如何计算)


【机器学习实战学习笔记】之 2  k-近邻算法_k-近邻算法_03

表2 - 2   已知电影与未知电影的距离

 (3)按照距离递增排序,可以找到k个距离最近的电影。若假定k = 3,得到三个最靠近的电影依次是:He's Not Really into Dudes、Beautiful Woman、California Man。这三部电影均为爱情片,从而推测未知电影是爱情片

5.k-近邻算法一般流程

(1)搜集数据

(2)准备数据:距离计算所需要的数值,最好是结构化的数据格式。

(3)分析数据

(4)训练算法:此步驟不适用于k - 近邻算法。

(5)测试算法:计算错误率。

(6)使用算法:a.需要输入样本数据和结构化的输出结果;

                           b.运行女-近邻算法判定输入数据分别属于哪个分类;

                           c.应用对计算出的分类执行后续的处理。

3、Python实现

注:在学习这块知识时,我对Python的包、模块等概念并不是特别熟悉,可能我在这里采取的方法不是最好的,但是对于初学者来说,如果你在看这本书时,对书中提到的有关于模块的创建于调用不是很熟悉,可以先按照我对步骤来做,先按我的方法将理论学好。如果你对Python有很深刻的了解,或者知道书中相关概念的含义,知道书中所说是什么步骤,欢迎大家与我一起交交流。

1.准备:使用Python导入数据

1.创建 kNN.py 的 Python模块,在模块中填写如下代码并保存:

#coding=utf-8

from numpy import * # 科学计算包numpy
import operator #运算符模块

def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels = ['A','A','B','B']
return group,labels

2.将kNN文件转存到python.exe文件所在文件夹下(此部分并非按照书中所讲操作)。如果对自己的安装路径不熟悉,你可以从开始菜单找到Python然后打开文件所在位置。或者尝试去C盘、D盘等你经常安装文件的地方去寻找,如果你没有修改安装路径的习惯,路径一般是:

C:\Program Files (x86)\Python\Python36

【机器学习实战学习笔记】之 2  k-近邻算法_机器学习实战_04

3.双击python.exe文件,并输入如下代码:

import kNN
group,labels = kNN.createDataSet()

回车后输入group,回车,输入labels,回车。如下图所示:

【机器学习实战学习笔记】之 2  k-近邻算法_机器学习实战_05

(1)上面一共是4组数据,每组数据有两个已知的属性或者特征值。

(2)group矩阵每行包含一个不同的数据(可以把它想象为某个日志文件中不同的测量点或者入口)。

(3)人类大脑通常只能可视化处理三维以下的事务。为了简单地实现数据可视化,每个数据点通常只使用两个特征。

(4)向量labels包含了每个数据点的标签信息,labels包含的元素个数等于group矩阵行数。将数据点(1,1.1)定义为类A,数据点(0, 0.1)定义为类B (例子中的数值是任意选择的,并没有给出轴标签)。如下图


【机器学习实战学习笔记】之 2  k-近邻算法_Matplotlib_06

图 2 - 2  k-近邻算法:带有4个数据点的简单例子

2.从文本文件中解析数据

1.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频率;

(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。

2.Python代码


【机器学习实战学习笔记】之 2  k-近邻算法_归一化_07

程序清单 2-1  k-近邻算法

(1)Python代码

#coding=utf-8

from numpy import *

def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape(0)

#距离计算 开始
diffMat = tile(inX,(dataSetSize,1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis = 1)
distances = sqDistances ** 0.5
#距离计算 结束

sortedDistIndicies = distances.argsort()#argsort()是numpy库中的函数,返回的是数组值从小到大的索引值
classCount = {}

#选择距离最小的k个点 开始
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#选择距离最小的k个点 结束


sortedClassCount = sorted(classCount.iteritems(),key = operator.itemgetter(1), reverse = True) #排序
return sortedClassCount[0][0]

(2)代码解析

a.classify0()  函数有四个输入参数inX(用于分类的输入向量)、dataSet(输入的样本训练集)、labels(标签向量)、k(用于选择最近邻居的数目)

b.标签向量的元素数目和矩阵dataSet的行数相同

c.利用欧式距离公式计算两个向量点的距离

【机器学习实战学习笔记】之 2  k-近邻算法_Matplotlib_08

注:如果存在四个特征值,以点(1,0,0,1) 和(7,6,9,4)为例,两点间距离计算为:

【机器学习实战学习笔记】之 2  k-近邻算法_机器学习实战_09

d.计算完所有点之间的距离后,对数据按照从小到大的次序排序,确定前k个距离最小元素所在的主要分类。

e.,将classCount字典分解为元组列表,使用程序第二行导入运算符模块的 itemgetter 方法,按照第二个元素的次序对元组进行排序(此处排序为逆序,即从大到小排序),返回发生频率最高的元素标签。

f.在python提示符中输入下列命令来预测数据所在分类。

kNN.classify0([0,0],group,labels,3)

注:在这里有很多人在调用代码时都会报错:

'dict' object has no attribute 'iteritems'

如果大家遇到这种问题,请点击(​​解决方案​​)解决。

运行结果如下:

【机器学习实战学习笔记】之 2  k-近邻算法_数据_10

没有学过Python的同学,可能对黑窗体执行代码和用PyCharm执行代码中的代码转化不太了解,上面这个我是通过PyCharm执行的,全部代码如下:

#coding=utf-8

from numpy import * # 科学计算包numpy
import operator #运算符模块

def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels = ['A','A','B','B']
return group,labels

def classify0(inX, dataSet, labels, k):
dataSetSize = dataSet.shape[0]

#距离计算 开始
diffMat = tile(inX,(dataSetSize,1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis = 1)
distances = sqDistances ** 0.5
#距离计算 结束

sortedDistIndicies = distances.argsort()
classCount = {}

#选择距离最小的k个点 开始
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#选择距离最小的k个点 结束


sortedClassCount = sorted(classCount.items(),key = operator.itemgetter(1), reverse = True) #排序
return sortedClassCount[0][0]

group,labels = createDataSet()

print(classify0([0,0],group,labels,3))

3.测试分类器

1.测试原因

检验分类器是否总是正确及正确率与错误率是多少。

2.错误率

(1)分类器给出错误结果的次数除以测试执行的总数。

(2)完美分类器的错误率为0 , 最差分类器的错误率是1.0。

二、k-近邻算法应用-改进约会网站的配对效果

1、步骤

(1)搜集数据:提供文本文件

(2)准备数据:使用Python解析文本文件。

(3)分析数据:使用 Matplotlib 画二维扩散图

(4)训练算法:此步驟不适用于k - 近邻算法。

(5)测试算法:使用用户提供的部分数据作为测试样本。(测试样本和非测试样本的区别在于:测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记为一个错误。)

(6)使用算法:产生简单的命令行程序,用户可以输入一些特征数据以判断对方是否为自己喜欢的类型。

2、准备数据:从文本文件中解析数据

1.数据示例

1.数据信息

每个样本数据占一行,共1000行。

2.数据特征

(1)每年获得的飞行常客里程数;

(2)玩视频游戏所消耗的时间百分比;

(3)每周消费的冰淇淋公升数。

2.数据处理

1.处理原因

将特征数据输人到分类器之前,必须将待处理数据的格式改变为分类器可以接受的格式。

2.Python代码

(1)创建file2matrix函数处理格式问题。

(2)输入:文件名字符串;输出:训练样本矩阵和类标签向量。


【机器学习实战学习笔记】之 2  k-近邻算法_机器学习实战_11

程序清单2 - 2  将文本记录到转换NumPy的解析程序

(3)Python代码

上图中有一处代码错误,for循环后面需要加上一个冒号;全部代码如下

#文本记录解析程序
def file2matrix(filename):

#打开文件并获取文件有多少行 开始
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
#打开文件并获取文件有多少行 结束

#创建返回的NumPy矩阵
returnMat = zeros((numberOfLines,3))
classLabelVector = []
index = 0

#解析文件数据到列表 开始
for line in arrayOLines:
line = line.strip()
listFromLine = line.split('\t')
returnMat[index,:] = listFromLine[0:3]
classLabelVector.append(int(listFromLine[-1]))
index += 1
#解析文件数据到列表 结束
return returnMat,classLabelVector

(4)代码解析

a.open()用于打开文件,fr.readlines()及numberOfLines = len(arrayOLines)用于获取文件的行数

b.创建以零填充的矩阵NumPy(为了简化处理,我们将该矩阵的另一维度设置为固定值3)。

c.需要明确通知解释器,告诉它列表中存储的元素值为整型(否则会当做字符串来处理),:

d.代码中数据集下载地址(​​地址​​)。

3.代码运行

(1)在命令提示符中输入以下代码

reload(kNN)
datingDataMat,datingLabels = kNN.file2matrix('datingTestSet.txt')

会产生报错:


【机器学习实战学习笔记】之 2  k-近邻算法_数据_12

代码报错1 reload错误

需要在前面引入一个包,(产生原因是因为作者使用的Python与我的不同 )。

from imp import reload

注:此步骤是为了重新加载kNN模块,如果重新打开的命令提示符,无需重新加载。

解决上面的问题,还会有下一个问题:


【机器学习实战学习笔记】之 2  k-近邻算法_机器学习实战_13

代码报错2 数据集错误

产生的原因是datingTestSet.txt文件中最后一列不是数值型的,datingTestSet.txt文件如下:


【机器学习实战学习笔记】之 2  k-近邻算法_数据_14

datingTestSet.txt 文件内容

而我们代码中要求是数值型的,所以最简单的方式是我们使用datingTestSet2.txt文件。datingTestSet2.txt文件如下:


【机器学习实战学习笔记】之 2  k-近邻算法_Matplotlib_15

datingTestSet2.txt 文件内容

注:两个数据集第四列对应关系如下

datingTestSet.txt 数据集

datingTestSet2.txt 数据集

largeDoses

3

smallDoses

2

didntLike

1

执行成功的代码如下:


【机器学习实战学习笔记】之 2  k-近邻算法_数据_16

datingDataMat

【机器学习实战学习笔记】之 2  k-近邻算法_数据_17

datingLabels[0:20]

3、分析数据:使用Matplotlib创建散点图

1.Windows 系统安装 Matplotlib

打开cmd,并输入如下两句话

python -m pip install -U pip setuptools
python -m pip install matplotlib


【机器学习实战学习笔记】之 2  k-近邻算法_Matplotlib_18

下载安装过程

2.无样本类别标签的散点图

1.Python代码

#coding=utf-8

from numpy import * # 科学计算包numpy
import operator #运算符模块
import matplotlib
import matplotlib.pyplot as plt

#文本记录解析程序
def file2matrix(filename):

#打开文件并获取文件有多少行 开始
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
#打开文件并获取文件有多少行 结束

#创建返回的NumPy矩阵
returnMat = zeros((numberOfLines,3))
classLabelVector = []
index = 0

#解析文件数据到列表 开始
for line in arrayOLines:
line = line.strip() #截取掉回车字符
listFromLine = line.split('\t') #用 \t 将上一步得到的整行数据分割成一个元素列表
returnMat[index,:] = listFromLine[0:3] #选取前3个元素,并存储到特征矩阵中
classLabelVector.append(int(listFromLine[-1])) #索引值-1表示列表中的最后一列元素
index += 1
#解析文件数据到列表 结束
return returnMat,classLabelVector

#加载数据集
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
#print(datingDataMat)
#print(datingLabels[0:20])

#数据集图像化
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2])
plt.show()

2.执行结果


【机器学习实战学习笔记】之 2  k-近邻算法_k-近邻算法_19

没有样本类别标签的约会数据散点图

没有样本类别标签的约会数据散点图。难以辨识图中的点究竟属于哪个样本分类。一般采用色彩或其他记号来标记不同的样本分类。

3.个性化标记散点图

1.Python代码

主要修改了倒数第二行代码,给函数又加上了新的参数,全部代码如下:

#coding=utf-8

from numpy import * # 科学计算包numpy
import operator #运算符模块
import matplotlib
import matplotlib.pyplot as plt

#文本记录解析程序
def file2matrix(filename):

#打开文件并获取文件有多少行 开始
fr = open(filename)
arrayOLines = fr.readlines()
numberOfLines = len(arrayOLines)
#打开文件并获取文件有多少行 结束

#创建返回的NumPy矩阵
returnMat = zeros((numberOfLines,3))
classLabelVector = []
index = 0

#解析文件数据到列表 开始
for line in arrayOLines:
line = line.strip() #截取掉回车字符
listFromLine = line.split('\t') #用 \t 将上一步得到的整行数据分割成一个元素列表
returnMat[index,:] = listFromLine[0:3] #选取前3个元素,并存储到特征矩阵中
classLabelVector.append(int(listFromLine[-1])) #索引值-1表示列表中的最后一列元素
index += 1
#解析文件数据到列表 结束
return returnMat,classLabelVector

#加载数据集
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
#print(datingDataMat)
#print(datingLabels[0:20])

#数据集图像化
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLabels),15.0*array(datingLabels)) #有标记散点图
plt.show()

2.执行结果


【机器学习实战学习笔记】之 2  k-近邻算法_k-近邻算法_20

带有样本分类标签的约会数据散点图

虽然能够比较容易地区分数据点从属类别,但依然很难根据这张图得出结论性信息。

4.采用不同属性值的散点图

1.优点

(1)采用不同的属性值可以得到更好效果;

(2)清晰地标识了三个不同的样本分类区域;

(3)具有不同爱好的人其类别区域也不同

2.执行结果

【机器学习实战学习笔记】之 2  k-近邻算法_归一化_21

4、准备数据:归一化数值

1.普通方法计算样本距离

1.计算方法

【机器学习实战学习笔记】之 2  k-近邻算法_k-近邻算法_22

计算样本3与样本4的距离:

【机器学习实战学习笔记】之 2  k-近邻算法_k-近邻算法_23

2.存在问题

飞行常客由于数值极大,影响远大于另外两个特征值。

3.解决方案

将数值归一化(将取值范围处理为 0到1 或者 -1到1 之间)

2.数值归一化

1.归一化函数

#归一化特征值
def autoNorm(dataSet):
minVals = dataSet.min(0) #从列中选取最小值
maxVals = dataSet.max(0)
ranges = maxVals - minVals
normDataSet = zeros(shape(dataSet))
m = dataSet.shape[0]
normDataSet = dataSet - tile(minVals,(m,1)) #tile()函数将变量内容复制成输人矩阵同样大小的矩阵
normDataSet = normDataSet/tile(ranges,(m,1))
return normDataSet,ranges,minVals

2.运行代码

normMat,ranges,minVals = autoNorm(datingDataMat)
print("normMat = ")
print(normMat)

print("ranges = ")
print(ranges)

print("minVals = ")
print(minVals)

3.执行结果

【机器学习实战学习笔记】之 2  k-近邻算法_归一化_24

5、测试算法:作为完整程序验证分类器

1.测试原理

1.测试最原始的方法是:提供已有数据的90%作为训练样本来训练分类器,使用剩余的10%测试分类器,检验正确率。10%的测试数据需要随机选择。

2.定义一个计数器变量,每次分类器错误的分类,计数器+1,程序执行完成后,错误率 = 计数器结果/数据点总数。

2.存在问题

飞行常客由于数值极大,影响远大于另外两个特征值。

3.解决方案

将数值归一化(将取值范围处理为 0到1 或者 -1到1 之间)

2.测试算法

1.Python代码

注:原书中部分代码采用旧版Python的代码,由于我使用3.x版本,所以部分代码与原书中有出入,主要是输出与原书中不同

def datingClassTest():
hoRatio = 0.10
datingDataMat,datingLabels = file2matrix('datingTestSet2.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 classifier came back with: %d, the real answer is : %d" % (classifierResult,datingLabels[i])
print('the classifier came back with: {}, the real answer is : {}'.format(classifierResult,datingLabels[i]))
if(classifierResult != datingLabels[i]):
errorCount += 1.0
#print "the total error rate is : %f" %(errorCount/float(numTestVecs))
print('the total error rate is : {}'.format(errorCount/float(numTestVecs)))

2.执行结果

全部执行结果大家可以自己去运行,在这里,我只给大家看一下部分代码,让大家对算法执行效果能有一定的了解。

the classifier came back with: 3, the real answer is : 3

the classifier came back with: 3, the real answer is : 3

the classifier came back with: 2, the real answer is : 2

the classifier came back with: 1, the real answer is : 1

the classifier came back with: 3, the real answer is : 1

the total error rate is : 0.05

3.结果分析

分类器处理约会数据集的错误率为5%,我们可以改变函数中hoTatio和k的值来检测错误率是否随变量的变化而变化。

hoRatio

k

errorRate

0.02

3

0.0000 

0.05

3

0.0200 

0.08

3

0.0250 

0.1

3

0.0500 

0.2

3

0.0800 

0.4

3

0.0775 

6、使用算法:构建完整可用系统

1.算法源码

#约会网站预测函数
def classifyPerson():
resultList = ['not at all','in small doses','in large doses']
percentTats = float(input('percentage of time spent playing video games?'))
ffMiles = float(input('frequent flier miles earned per years?'))
iceCream = float(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 : {}'.format(resultList[classifierResult - 1]))

注:原书中部分代码采用旧版Python的代码,由于我使用3.x版本,所以部分代码与原书中有出入,主要是输入、输出与原书中不同

2.测试算法

1.Python代码

classifyPerson()

2.执行结果


【机器学习实战学习笔记】之 2  k-近邻算法_k-近邻算法_25

第一组测试结果

 


【机器学习实战学习笔记】之 2  k-近邻算法_Matplotlib_26

第二组测试结果

 

三、示例:手写识别系统

1、步骤

(1)搜集数据:提供文本文件

(2)准备数据:编写函数classify0 ( ) 函数,将图像格式转换为分类器使用的list格式。

(3)分析数据:在Python命令提示符中检查数据,确保它符合要求。

(4)训练算法:此步驟不适用于k - 近邻算法。

(5)测试算法:编写函数使用提供的部分数据集作为测试样本,测试样本与非测试样本的区别在于测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记为一个错误。

(6)使用算法:。

2、准备数据:将图像转换为测试向量

1.准备数据集

点击文章开头的下载地址下载所有的数字样本,包括trainingDigits文件夹和testDigits文件夹。详情如下:

(1)trainingDigits中有2000左右个例子,包括0-9十个数字,每个数字有200个左右样本。

(2)testDigits中有900左右个例子.

部分示例如下:


【机器学习实战学习笔记】之 2  k-近邻算法_Matplotlib_27

trainingDigits文件夹

【机器学习实战学习笔记】之 2  k-近邻算法_k-近邻算法_28

某一个数据集(32×32)

 2.转化为向量

为了使用前面的分类器,需要先将图像格式化处理为一个向量。即将32×32的二进制图像转换为1×1024的向量。

1.Python代码

def img2vector(filename):
returnVect = zeros((1,1024))
fr = open(filename)
for i in range(32):
lineStr = fr.readline()
for j in range(32):
returnVect[0,32 * i + j] = int(lineStr[j])
return returnVect

2.运行代码

testVector = img2vector('digits/testDigits/0_1.txt')
print(testVector[0,0:31])
print(testVector[0,32:63])

3.执行结果

【机器学习实战学习笔记】之 2  k-近邻算法_机器学习实战_29

3、测试算法:使用 k-近邻算法识别手写数字

1.手写识别系统测试代码

#手写识别系统测试代码
def handwritingClassTest():
hwLabels = []
trainingFileList = listdir('digits/trainingDigits') #获取目录内容
m = len(trainingFileList) #目录中文件个数
trainingMat = zeros((m,1024)) #每行数据存储一个图像
for i in range(m):
#从文件名解析分类数据 开始
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumberStr = int(fileStr.split('_')[0])
#从文件名解析分类数据 结束
hwLabels.append(classNumberStr)
trainingMat[i,:] = img2vector('digits/trainingDigits/%s' %fileNameStr)
testFileList = listdir('digits/testDigits')
errorCount = 0.0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split(',')[0]
classNumberStr = int(fileStr.split('_')[0])
vectorUnderTest = img2vector('digits/testDigits/%s' %fileNameStr)
classifierResult = classify0(vectorUnderTest,trainingMat,hwLabels,3)
print('the classifier came back with : {}, the real answer is : {}'.format(classifierResult,classNumberStr))
if(classifierResult != classNumberStr):
errorCount += 1.0
print('\nthe total number of errors is : {}'.format(errorCount))
print('\nthe total error rate is : {}'.format(errorCount/float(mTest)))

 

2.运行代码

注:这个代码是直接写在PyCharm中的,书中是在命令提示符中运行,代码有所区别。

handwritingClassTest()

 

3.结果分析


【机器学习实战学习笔记】之 2  k-近邻算法_数据_30

输出结果

1.错误率较低

训练的数据集错误率仅仅约0.0106,不足1.1%,改变变量k的值、训练样本等都会对结果产生影响。

2.运算效率不高

运行时每个向量要做2000次距离计算,每个距离计算包括10224个维度浮点运算。计算机会消耗大量开销。(使用笔记本电脑能明显听到运行代码时,CPU中的风扇会狂转)

 

四、总结

1、k-近邻算法优缺点

1.优点

最简单最有效的数据分类算法。

2.缺点

1.效率低,运算耗时,不适合数据量大的数据集。(解决方案:使用k决策树,即k-近邻算法优化版)

2.无法给出任何数据的基础结构信息无法知晓平均实例样本和典型实例样本具有什么特征。(解决方案:使用概率测量方法处理分类问题)

标签:Python,代码,样本,学习,算法,print,数据,近邻
From: https://blog.51cto.com/u_12001271/5751251

相关文章