機器學習實戰 k 臨近演算法（一）

工作原理：存在乙個樣本資料集合，也稱為訓練樣本集，並且樣本集中每個資料都存在標籤，即我們知道樣本集中每一資料與所屬分類的對應關係。輸入沒有標籤的新資料後，將新資料的每個特徵與樣本集中資料對應的特徵進行比較，然後演算法提取樣本集中特徵最相似資料（最鄰近）的分類標籤。一般來說，我們只選擇樣本資料集中前k個最相似資料，這就是k-臨近演算法的出處，通常k是不大於20的整數。最後選擇k個最相似資料中出現次數最多的分類，作為新資料的分類。

演算法流程：

（1）收集資料

（2）準備資料：距離計算所需要的數值，最好是結構化的資料格式。

（3）分析資料

（4）訓練演算法：此步驟不適用於k-臨近演算法

（5）測試演算法：計算錯誤率

（6）使用演算法：首先需要輸入樣本資料和結構化的輸出結果，然後執行k-臨近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處理。

來看乙個例子：

假如有一組資料已經做好了分類，（1，1.1）和（1，1）屬於a類，（0，0）（0，0.1）屬於b類

現在有一點（1，0），它應該屬於哪一類？

思路：（1）求出（1，0）到四個點之間的距離

（2）找出距離最近的k個點

（3）找出k個點中分類出現次數最多的那個

用到的python知識：

# -*- coding:utf-8 -*-
from numpy import *
import operator
#1.shape函式
group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
print(group.shape[0])#輸出4，陣列行數
print(group.shape[1])#輸出2，陣列列數
print(group)
#2.tile函式
test=[1,0]
print(tile(test,(4,1)))
#輸出#[[1 0]
# [1 0]
# [1 0]
# [1 0]]
#3.sum函式
arr=array([[1,2,3],[4,5,6]])
print(arr.sum(axis=1))#將矩陣的每一行相加
#輸出[ 6 15]
print(arr.sum(axis=0))#將矩陣的每一列相加
#輸出[5 7 9]
#4.argsort函式：返回的是陣列值從小到大的索引值
array1=([1,3,2,7])
print(argsort(array1))
#輸出[0 2 1 3]
#5.sorted
#sorted(iterable, cmp=none, key=none, reverse=false) 
#iterable:迭代物件，要排序的物件
#cmp:比較函式
#key:指定取待排序元素的哪一項進行排序,operator.itemgetter(1)獲取物件的第1個域的值,此處是按value值排序
#reverse:是否反轉,表示是否從高到低排序
dict=
print(sorted(dict.items(),key=operator.itemgetter(1)))
#結果：[('b', 5), ('a', 10), ('d', 15), ('c', 20)]
#reverse=true結果:[('c', 20), ('d', 15), ('a', 10), ('b', 5)]

python3**：

# -*- coding:utf-8 -*-
from numpy import *
import operator
def createdataset():
group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])#資料集
labels=['a','a','b','b']#資料對應的分類
return group,labels
#intx：分類的輸入向量
#dataset:訓練樣本
#labels：標籤向量
#k:選擇最近鄰居的數目
def classify0(intx,dataset,labels,k):
datasetsize=dataset.shape[0]#陣列行數
#距離計算
diffmat=tile(intx,(datasetsize,1))-dataset#將輸入向量轉為行數為datasetsize的二維陣列，並計算與訓練樣本的差
sqdiffmat=diffmat**2#求陣列的2次方
sqdistances=sqdiffmat.sum(axis=1)#將矩陣的每一行相加
distances=sqdistances**0.5#求陣列的0.5次冪，也就是求平方根
#選擇距離最小的k個點
sorteddistindicies=distances.argsort()#根據距離將陣列的下標排序
classcount={}
#求出前距離最近的前k個點中出現最多的分類
for i in range(k):
voteilabel=labels[sorteddistindicies[i]]#遍歷前k個點，獲取每個點所屬分類
classcount[voteilabel]=classcount.get(voteilabel,0)+1#將類別作為key，出現的次數作為value,計算每個類別出現的次數
#排序sortedclasscount=sorted(classcount.items(),key=operator.itemgetter(1),reverse=true)
return sortedclasscount[0][0] 
#測試group,labels=createdataset()
result=classify0([1,0],group,labels,3)
print(result)

距離計算：

（1）求兩個矩陣的差

輸入的資料為[1,0]:

訓練樣本集為:

[[1.0,1.1],

[1.0,1.0],

[0, 0],

[0,0.1]]，是乙個二維陣列，也可以看作為乙個行為4列為2的矩陣，為了兩個矩陣可以相減，首先需要將輸入向量[1,0]轉換為乙個行數為4的二維陣列

經過tile(intx,(datasetsize,1))後輸入向量變為

[[1  0],
[1 0],
[1 0],
[1 0]]

然後減去訓練樣本集，求出兩個矩陣的差,差值為

[[ 0.  -1.1]
[ 0. -1. ]
[ 1. 0. ]
[ 1. -0.1]]

（2）使用歐氏距離公式，計算兩個向量點之間的距離

首先求差值的2次方,結果為：

[[ 0.    1.21]
[ 0. 1. ]
[ 1. 0. ]
[ 1. 0.01]]

然後將矩陣的每一行相加得到：

[ 1.21  1.    1.    1.01]

然後開根

[ 1.1   1.    1.    1.00498756]

根據距離最近點排序

值： 1 1 1.00498756 1.1 下標： 1 2 3 0

得到：

[1 2 3 0]

（3）選擇距離最小的k個點，此處k=3,也就是前3個點

從上一步得到排序後的下標，取前三個值，然後從lables標籤中取下標為1 2 3 的值，分別是a b b

求出出現頻率最高的類別，b出現兩次，a出現1次，因此推測[1,0]的分類結果是b

來自：機器學習實戰

python知識參考：

機器學習實戰 k 臨近演算法（一）

機器學習實戰 02 k臨近

機器學習 01 K 臨近演算法學習

機器學習實戰（一） K 近鄰演算法

機器學習實戰 k 臨近演算法（一）

機器學習實戰 02 k臨近

機器學習 01 K 臨近演算法學習

機器學習實戰（一） K 近鄰演算法

相關推薦