读懂《机器学习实战》代码—K-近邻算法改进约会网站配对效果
来源:互联网 发布:软件测试活动周期 编辑:程序博客网 时间:2024/05/15 00:36
从上一篇文章大概了解了K-近邻算法的原理,并实现了分类函数:
#inX为用于分类的输入向量 #dataSet为输入的训练样本集 #lables为标签向量 #参数k表示用于选择最近邻居的数目 def classify0(inX,dataSet,lables,k)
接下来,通过人物特点将约会者分到不同的类型中,约会数据集格式为
第一行表示每年的飞行里程数,第二行表示玩视频游戏所耗时间比,第三行表示每周消费的冰淇淋公升数,最后一行表示约会对象等级,《机器学习实战》中将读取文件数据封装到函数中:
##########################将文件内容转化成所需的矩阵格式#########################def file2matrix(filename): #获得文件内容 fileReader = open(filename) #分行获取文件内容 arrayOfLines = fileReader.readlines() #获取文件总行数 numberOfLines = len(arrayOfLines) #创建一个零填充的numpy矩阵 returnMat = zeros((numberOfLines,3)) # classLabelVector = [] index = 0 for line in arrayOfLines: #将每一行回车符截取掉,去掉前后空格 # strip() 方法用于移除字符串头尾指定的字符(默认为空格) #strip()方法语法:str.strip([chars]); #参数chars -- 移除字符串头尾指定的字符。 line = line.strip() #split()通过指定分隔符对字符串进行切片,如果参数num 有指定值,则仅分隔 num 个子字符串 #split()方法语法:str.split(str="", num=string.count(str)). #参数:str -- 分隔符,默认为空格。num -- 分割次数。 #'\t'代表一个tab字符 listFromLine = line.split('\t') #取出数据的前三个元素放入numpy矩阵中 returnMat[index,:] = listFromLine[0:3] #运用-1索引取出最后一列的特征元素 classLabelVector.append(int(listFromLine[-1])) index +=1 return returnMat,classLabelVector
由于三个人物特性具有相同的权重,如果单纯用原始数据进行欧氏距离的计算,明显每年的飞行里程数这一项数据会造成严重的影响,其余两项的作用会被明显弱化,所以要先将数据归一化,可用等式newValue = (value-minValue)/(maxValue-minValue)将数据归一化到0-1区间
########################输入参数为原始数据集#返回参数为normDataset归一化数据集,ranges归一化间距,minVals各项特性中的最小值#######################def autoNorm(dataset): #求出数据集中的最大值最小值,dataset.min(0)或max(0)中的参数0可以使函数从列中获得最小(大)值,而不是从行中获得最小(大)值 minVals = dataset.min(0) maxVals = dataset.max(0) ranges = maxVals - minVals normDataset = zeros(shape(dataset)) m = dataset.shape[0] #minVals与ranges都是1*3的矩阵,通过tile函数被扩展为m*3的矩阵,这就是tile函数的作用 normDataset = dataset - tile(minVals,(m,1)) normDataset = normDataset/tile(ranges,(m,1)) return normDataset,ranges,minVals
将数据的分布可视化出来
可视化的程序
#获取figure对象fig = plt.figure()#指定图像所在的子视图位置,add_subplot(nmi),意思为在fig视图被划分为n*m个子视图,i指定接下来的图像放在哪一个位置ax = fig.add_subplot(111)l=datingDataMat.shape[0]#存储第一类,第二类,第三类的数组X1=[]Y1=[]X2=[]Y2=[]X3=[]Y3=[]for i in range(l): if datingLabels[i]==1: X1.append(datingDataMat[i,1]);Y1.append(datingDataMat[i,2]) elif datingLabels[i]==2: X2.append(datingDataMat[i,1]);Y2.append(datingDataMat[i,2]) else: X3.append(datingDataMat[i,1]);Y3.append(datingDataMat[i,2])#画出散点图,坐标分别为datingDataMat的第一列数据与第二列数据,c='color'指定点的颜色type1=ax.scatter(X1,Y1,c='red')type2=ax.scatter(X2,Y2,c='green')type3=ax.scatter(X3,Y3,c='blue')ax.axis([-2,25,-0.2,2.0])ax.legend([type1, type2, type3], ["Did Not Like", "Liked in Small Doses", "Liked in Large Doses"], loc=2)plt.xlabel('Percentage of Time Spent Playing Video Games')plt.ylabel('Liters of Ice Cream Consumed Per Week')plt.show()
然后写测试程序
#可适当调整k值来调整准确率def datingClassTest(): #取出10%的数据作为测试样例 hoRatio = 0.10 k = 4 #载入数据 datingDataMat,datingLabels = file2matrix('F:\PythonProject\datingTestSet2.txt') #进行数据归一化 normMat, ranges, minVals = autoNorm(datingDataMat) m = normMat.shape[0] numTestVecs = int(m*hoRatio) errorCount = 0.0 for i in range(numTestVecs): #输入参数:normMat[i,:]为测试样例,表示归一化后的第i行数据 # normMat[numTestVecs:m,:]为训练样本数据,样本数量为(m-numTestVecs)个 # datingLabels[numTestVecs:m]为训练样本对应的类型标签 # k为k-近邻的取值 classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],k) 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 "the total error times is:"+str(errorCount)
当k取4,取10%的数据作为测试样本时,可得到3%的失误率
完整代码:
from numpy import * import matplotlibimport matplotlib.pyplot as pltimport operatorfrom os import listdirdef classify0(inX, dataSet, labels, k): dataSetSize = dataSet.shape[0] diffMat = tile(inX, (dataSetSize,1)) - dataSet sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances**0.5 sortedDistIndicies = distances.argsort() classCount={} for i in range(k): voteIlabel = labels[sortedDistIndicies[i]] classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0] ##########################将文件内容转化成所需的矩阵格式#########################def file2matrix(filename): #获得文件内容 fileReader = open(filename) #分行获取文件内容 arrayOfLines = fileReader.readlines() #获取文件总行数 numberOfLines = len(arrayOfLines) #创建一个零填充的numpy矩阵 returnMat = zeros((numberOfLines,3)) # classLabelVector = [] index = 0 for line in arrayOfLines: #将每一行回车符截取掉,去掉前后空格 # strip() 方法用于移除字符串头尾指定的字符(默认为空格) #strip()方法语法:str.strip([chars]); #参数chars -- 移除字符串头尾指定的字符。 line = line.strip() #split()通过指定分隔符对字符串进行切片,如果参数num 有指定值,则仅分隔 num 个子字符串 #split()方法语法:str.split(str="", num=string.count(str)). #参数:str -- 分隔符,默认为空格。num -- 分割次数。 #'\t'代表一个tab字符 listFromLine = line.split('\t') #取出数据的前三个元素放入numpy矩阵中 returnMat[index,:] = listFromLine[0:3] #运用-1索引取出最后一列的特征元素 classLabelVector.append(int(listFromLine[-1])) index +=1 return returnMat,classLabelVector########################输入参数为原始数据集#返回参数为normDataset归一化数据集,ranges归一化间距,minVals各项特性中的最小值#######################def autoNorm(dataset): #求出数据集中的最大值最小值,dataset.min(0)或max(0)中的参数0可以使函数从列中获得最小(大)值,而不是从行中获得最小(大)值 minVals = dataset.min(0) maxVals = dataset.max(0) ranges = maxVals - minVals normDataset = zeros(shape(dataset)) m = dataset.shape[0] #minVals与ranges都是1*3的矩阵,通过tile函数被扩展为m*3的矩阵,这就是tile函数的作用 normDataset = dataset - tile(minVals,(m,1)) normDataset = normDataset/tile(ranges,(m,1)) return normDataset,ranges,minVals #可适当调整k值来调整准确率def datingClassTest(): #取出10%的数据作为测试样例 hoRatio = 0.10 k = 4 #载入数据 datingDataMat,datingLabels = file2matrix('F:\PythonProject\datingTestSet2.txt') #进行数据归一化 normMat, ranges, minVals = autoNorm(datingDataMat) m = normMat.shape[0] numTestVecs = int(m*hoRatio) errorCount = 0.0 for i in range(numTestVecs): #输入参数:normMat[i,:]为测试样例,表示归一化后的第i行数据 # normMat[numTestVecs:m,:]为训练样本数据,样本数量为(m-numTestVecs)个 # datingLabels[numTestVecs:m]为训练样本对应的类型标签 # k为k-近邻的取值 classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],k) 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 "the total error times is:"+str(errorCount)################################画图################################获取figure对象fig = plt.figure()#指定图像所在的子视图位置,add_subplot(nmi),意思为在fig视图被划分为n*m个子视图,i指定接下来的图像放在哪一个位置ax = fig.add_subplot(111)l=datingDataMat.shape[0]#存储第一类,第二类,第三类的数组X1=[]Y1=[]X2=[]Y2=[]X3=[]Y3=[]for i in range(l): if datingLabels[i]==1: X1.append(datingDataMat[i,1]);Y1.append(datingDataMat[i,2]) elif datingLabels[i]==2: X2.append(datingDataMat[i,1]);Y2.append(datingDataMat[i,2]) else: X3.append(datingDataMat[i,1]);Y3.append(datingDataMat[i,2])#画出散点图,坐标分别为datingDataMat的第一列数据与第二列数据,c='color'指定点的颜色type1=ax.scatter(X1,Y1,c='red')type2=ax.scatter(X2,Y2,c='green')type3=ax.scatter(X3,Y3,c='blue')ax.axis([-2,25,-0.2,2.0])ax.legend([type1, type2, type3], ["Did Not Like", "Liked in Small Doses", "Liked in Large Doses"], loc=2)plt.xlabel('Percentage of Time Spent Playing Video Games')plt.ylabel('Liters of Ice Cream Consumed Per Week')plt.show()#测试datingClassTest()
datintTestSet2.txt文件下载:http://download.csdn.net/detail/u013457382/9467348
0 0
- 读懂《机器学习实战》代码—K-近邻算法改进约会网站配对效果
- 机器学习实战——K-近邻算法【2:改进约会网站配对效果】
- 机器学习实战—k近邻算法(kNN)02-改进约会网站的配对效果
- 【机器学习实战02】使用k-近邻算法改进约会网站的配对效果
- 《机器学习实战》第二章 2.2用k-近邻算法改进约会网站的配对效果
- 『机器学习实战』使用 k-近邻算法改进约会网站的配对效果
- 机器学习实战笔记-K近邻算法2(改进约会网站的配对效果)
- 机器学习—使用k-近邻算法改进约会网站的配对效果
- 机器学习实战k-近邻算法(kNN)应用之改进婚恋网站配对效果代码解
- 机器学习 & python 使用k-近邻算法改进约会网站的配对效果
- 机器学习实战之使用k-邻近算法改进约会网站的配对效果
- K-近邻算法改进约会网站的配对效果
- k-近邻算法改进约会网站的配对效果
- 使用k-近邻算法改进约会网站的配对效果。
- 学习笔记:使用k-近邻算法改进约会网站的配对效果
- 机器学习实战笔记——利用KNN算法改进约会网站的配对效果
- 机器学习实践-k近邻算法-约会网站配对源码
- 读懂《机器学习实战》代码—K-近邻算法
- 12道 Python面试题总结
- 多线程介绍2
- #leetcode#104 Maximum Depth of Binary Tree
- Tomcat Connector
- IntelliJ IDEA spring mvc +mybatis 环境搭建服务器(中)
- 读懂《机器学习实战》代码—K-近邻算法改进约会网站配对效果
- Can you solve this equation?(二分)
- MQ笔记
- 几个有趣的经济学故事
- Problem C
- Android Material Design(7) 转场动画的使用
- MarkDown 一些快捷键 和 语法
- android之流布局
- 第四周项目五 求1*3*5*7*...*n