機器學習（一）——K-近鄰（KNN）算法

最近在看《機器學習實戰》這本書，因爲自己本身很想深入的瞭解機器學習算法，加之想學python，就在朋友的推薦之下選擇了這本書進行學習。

一 . K-近鄰算法（KNN）概述

最簡單最初級的分類器是將全部的訓練數據所對應的類別都記錄下來，當測試對象的屬性和某個訓練對象的屬性完全匹配時，便可以對其進行分類。但是怎麼可能所有測試對象都會找到與之完全匹配的訓練對象呢，其次就是存在一個測試對象同時與多個訓練對象匹配，導致一個訓練對象被分到了多個類的問題，基於這些問題呢，就產生了KNN。

KNN是通過測量不同特徵值之間的距離進行分類。它的思路是：如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別，其中K通常是不大於20的整數。KNN算法中，所選擇的鄰居都是已經正確分類的對象。該方法在定類決策上只依據最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。

下面通過一個簡單的例子說明一下：如下圖，綠色圓要被決定賦予哪個類，是紅色三角形還是藍色四方形？如果K=3，由於紅色三角形所佔比例爲2/3，綠色圓將被賦予紅色三角形那個類，如果K=5，由於藍色四方形比例爲3/5，因此綠色圓被賦予藍色四方形類。

由此也說明了KNN算法的結果很大程度取決於K的選擇。

在KNN中，通過計算對象間距離來作爲各個對象之間的非相似性指標，避免了對象之間的匹配問題，在這裏距離一般使用歐氏距離或曼哈頓距離：

同時，KNN通過依據k個對象中佔優的類別進行決策，而不是單一的對象類別決策。這兩點就是KNN算法的優勢。

接下來對KNN算法的思想總結一下：就是在訓練集中數據和標籤已知的情況下，輸入測試數據，將測試數據的特徵與訓練集中對應的特徵進行相互比較，找到訓練集中與之最爲相似的前K個數據，則該測試數據對應的類別就是K個數據中出現次數最多的那個分類，其算法的描述爲：

1）計算測試數據與各個訓練數據之間的距離；

2）按照距離的遞增關係進行排序；

3）選取距離最小的K個點；

4）確定前K個點所在類別的出現頻率；

5）返回前K個點中出現頻率最高的類別作爲測試數據的預測分類。

二 .python實現

首先呢，需要說明的是我用的是python3.4.3，裏面有一些用法與2.7還是有些出入。

建立一個KNN.py文件對算法的可行性進行驗證，如下：

#coding:utf-8

from numpy import *
import operator

##給出訓練數據以及對應的類別
def createDataSet():
    group = array([[1.0,2.0],[1.2,0.1],[0.1,1.4],[0.3,3.5]])
    labels = ['A','A','B','B']
    return group,labels

###通過KNN進行分類
def classify(input,dataSe t,label,k):
    dataSize = dataSet.shape[0]
    ####計算歐式距離
    diff = tile(input,(dataSize,1)) - dataSet
    sqdiff = diff ** 2
    squareDist = sum(sqdiff,axis = 1)###行向量分別相加，從而得到新的一個行向量
    dist = squareDist ** 0.5
    
    ##對距離進行排序
    sortedDistIndex = argsort(dist)##argsort()根據元素的值從大到小對元素進行排序，返回下標

    classCount={}
    for i in range(k):
        voteLabel = label[sortedDistIndex[i]]
        ###對選取的K個樣本所屬的類別個數進行統計
        classCount[voteLabel] = classCount.get(voteLabel,0) + 1
    ###選取出現的類別次數最多的類別
    maxCount = 0
    for key,value in classCount.items():
        if value > maxCount:
            maxCount = value
            classes = key

    return classes

接下來，在命令行窗口輸入如下代碼：

#-*-coding:utf-8 -*-
import sys
sys.path.append("...文件路徑...")
import KNN
from numpy import *
dataSet,labels = KNN.createDataSet()
input = array([1.1,0.3])
K = 3
output = KNN.classify(input,dataSet,labels,K)
print("測試數據爲:",input,"分類結果爲：",output)

回車之後的結果爲：

測試數據爲： [ 1.1 0.3] 分類爲： A

答案符合我們的預期，要證明算法的準確性，勢必還需要通過處理複雜問題進行驗證，之後另行說明。

這是第一次用python編的一個小程序，勢必會遇到各種問題，在此次編程調試過程中遇到了如下問題：

導入.py文件路徑有問題，因此需要在最開始加如下代碼：
```
import sys
sys.path.append("文件路徑")
```
；
在python提示代碼存在問題時，一定要及時改正，改正之後保存之後再執行命令行，這一點跟MATLAB是不一樣的，所以在python中最好是敲代碼的同時在命令行中一段一段的驗證；
在調用文件時函數名一定要寫正確，否則會出現：'module' object has no attribute 'creatDataSet'；
'int' object has no attribute 'kclassify'，這個問題出現的原因是之前我講文件保存名爲k.py，在執行output = K.classify(input,dataSet,labels,K)這一句就會出錯。根據函數式編程的思想，每個函數都可以看爲是一個變量而將K賦值後，調用k.py時就會出現問題。

三 MATLAB實現

之前一直在用MATLAB做聚類算法的一些優化，其次就是數模的一些常用算法，對於別的算法，還真是沒有上手編過，基礎還在，思想還在，當然要動手編一下，也是不希望在學python的同時對MATLAB逐漸陌生吧，走走停停，停很重要。首先，建立KNN.m文件，如下：

%% KNN
clear all
clc
%% data
trainData = [1.0,2.0;1.2,0.1;0.1,1.4;0.3,3.5];
trainClass = [1,1,2,2];
testData = [0.5,2.3];
k = 3;

%% distance
row = size(trainData,1);
col = size(trainData,2);
test = repmat(testData,row,1);
dis = zeros(1,row);
for i = 1:row
    diff = 0;
    for j = 1:col
        diff = diff + (test(i,j) - trainData(i,j)).^2;
    end
    dis(1,i) = diff.^0.5;
end

%% sort
jointDis = [dis;trainClass];
sortDis= sortrows(jointDis');
sortDisClass = sortDis';

%% find
class = sort(2:1:k);
member = unique(class);
num = size(member);

max = 0;
for i = 1:num
    count = find(class == member(i));
    if count > max
        max = count;
        label = member(i);
    end
end

disp('最終的分類結果爲：');
fprintf('%d\n',label)

運行之後的結果是，最終的分類結果爲：2。和預期結果一樣。

四實戰

之前，對KNN進行了一個簡單的驗證，今天我們使用KNN改進約會網站的效果，個人理解，這個問題也可以轉化爲其它的比如各個網站迎合客戶的喜好所作出的推薦之類的，當然，今天的這個例子功能也實在有限。

在這裏根據一個人收集的約會數據，根據主要的樣本特徵以及得到的分類，對一些未知類別的數據進行分類，大致就是這樣。

我使用的是python 3.4.3,首先建立一個文件，例如date.py,具體的代碼如下：

#coding:utf-8

from numpy import *
import operator
from collections import Counter
import matplotlib
import matplotlib.pyplot as plt


###導入特徵數據
def file2matrix(filename):
    fr = open(filename)
    contain = fr.readlines()###讀取文件的所有內容
    count = len(contain)
    returnMat = zeros((count,3))
    classLabelVector = []
    index = 0
    for line in contain:
        line = line.strip() ###截取所有的回車字符
        listFromLine = line.split('\t')
        returnMat[index,:] = listFromLine[0:3]###選取前三個元素，存儲在特徵矩陣中
        classLabelVector.append(listFromLine[-1])###將列表的最後一列存儲到向量classLabelVector中
        index += 1
    
    ##將列表的最後一列由字符串轉化爲數字，便於以後的計算
    dictClassLabel = Counter(classLabelVector)
    classLabel = []
    kind = list(dictClassLabel)
    for item in classLabelVector:
        if item == kind[0]:
            item = 1
        elif item == kind[1]:
            item = 2
        else:
            item = 3
        classLabel.append(item)
    return returnMat,classLabel#####將文本中的數據導入到列表

##繪圖（可以直觀的表示出各特徵對分類結果的影響程度）
datingDataMat,datingLabels = file2matrix('D:\python\Mechine learing in Action\KNN\datingTestSet.txt')
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:,0],datingDataMat[:,1],15.0*array(datingLabels),15.0*array(datingLabels))
plt.show()

## 歸一化數據,保證特徵等權重
def autoNorm(dataSet):
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals
    normDataSet = zeros(shape(dataSet))##建立與dataSet結構一樣的矩陣
    m = dataSet.shape[0]
    for i in range(1,m):
        normDataSet[i,:] = (dataSet[i,:] - minVals) / ranges
    return normDataSet,ranges,minVals

##KNN算法
def classify(input,dataSet,label,k):
    dataSize = dataSet.shape[0]
    ####計算歐式距離
    diff = tile(input,(dataSize,1)) - dataSet
    sqdiff = diff ** 2
    squareDist = sum(sqdiff,axis = 1)###行向量分別相加，從而得到新的一個行向量
    dist = squareDist ** 0.5
    
    ##對距離進行排序
    sortedDistIndex = argsort(dist)##argsort()根據元素的值從大到小對元素進行排序，返回下標

    classCount={}
    for i in range(k):
        voteLabel = label[sortedDistIndex[i]]
        ###對選取的K個樣本所屬的類別個數進行統計
        classCount[voteLabel] = classCount.get(voteLabel,0) + 1
    ###選取出現的類別次數最多的類別
    maxCount = 0
    for key,value in classCount.items():
        if value > maxCount:
            maxCount = value
            classes = key
    return classes

##測試(選取10%測試）
def datingTest():
    rate = 0.10
    datingDataMat,datingLabels = file2matrix('D:\python\Mechine learing in Action\KNN\datingTestSet.txt')
    normMat,ranges,minVals = autoNorm(datingDataMat)
    m = normMat.shape[0]
    testNum = int(m * rate)
    errorCount = 0.0
    for i in range(1,testNum):
        classifyResult = classify(normMat[i,:],normMat[testNum:m,:],datingLabels[testNum:m],3)
        print("分類後的結果爲:,", classifyResult)
        print("原結果爲：",datingLabels[i])
        if(classifyResult != datingLabels[i]):
                                  errorCount += 1.0
    print("誤分率爲:",(errorCount/float(testNum)))
                                  
###預測函數
def classifyPerson():
    resultList = ['一點也不喜歡','有一丟丟喜歡','灰常喜歡']
    percentTats = float(input("玩視頻所佔的時間比?"))
    miles = float(input("每年獲得的飛行常客里程數?"))
    iceCream = float(input("每週所消費的冰淇淋公升數?"))
    datingDataMat,datingLabels = file2matrix('D:\python\Mechine learing in Action\KNN\datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingDataMat)
    inArr = array([miles,percentTats,iceCream])
    classifierResult = classify((inArr-minVals)/ranges,normMat,datingLabels,3)
    print("你對這個人的喜歡程度:",resultList[classifierResult - 1])

新建test.py文件瞭解程序的運行結果，代碼：

#coding:utf-8

from numpy import *
import operator
from collections import Counter
import matplotlib
import matplotlib.pyplot as plt

import sys
sys.path.append("D:\python\Mechine learing in Action\KNN")
import date
date.classifyPerson()

運行結果如下圖：

以上，是對本次算法的整理和總結。

機器學習（一）——K-近鄰（KNN）算法

2024年DataOps趨勢預測：AI不會取代數據工程師

雲原生週刊：K8s 中的服務和網絡｜ 2024.4.29

通過Http鏈接地址爬取有贊微信商城商品信息及下載至EXCEL

多人同時導出 Excel 幹崩服務器！新來的阿里大佬給出的解決方案太優雅了！

[轉帖]cpupower

今天，昨天，近七天，近30天，近90天，js封裝

華爲云云原生FinOps解決方案，釋放雲原生最大價值

LaTeX | 爲學術論文排版而生【浮動體篇】

LaTeX | 爲學術論文排版而生【公式篇】

另一個應用時代崛起：見證PWA書寫歷史

移動PWA初探

綁定域名到 GitHub Pages

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結