python实现KNN近邻算法

2023-07-07 14:48:03 325

示例：《电影类型分类》

获取数据来源

电影名称	打斗次数	接吻次数	电影类型
CaliforniaMan	3	104	Romance
He'sNotReallyintoDudes	8	95	Romance
BeautifulWoman	1	81	Romance
KevinLongblade	111	15	Action
RoobSlayer3000	99	2	Action
AmpedII	88	10	Action
Unknown	18	90	unknown

数据显示：肉眼判断电影类型unknown是什么

frommatplotlibimportpyplotasplt

#用来正常显示中文标签
plt.rcParams["font.sans-serif"]=["SimHei"]
#电影名称
names=["CaliforniaMan","He'sNotReallyintoDudes","BeautifulWoman",
"KevinLongblade","RoboSlayer3000","AmpedII","Unknown"]
#类型标签
labels=["Romance","Romance","Romance","Action","Action","Action","Unknown"]
colors=["darkblue","red","green"]
colorDict={label:colorfor(label,color)inzip(set(labels),colors)}
print(colorDict)
#打斗次数，接吻次数
X=[3,8,1,111,99,88,18]
Y=[104,95,81,15,2,10,88]

plt.title("通过打斗次数和接吻次数判断电影类型",fontsize=18)
plt.xlabel("电影中打斗镜头出现的次数",fontsize=16)
plt.ylabel("电影中接吻镜头出现的次数",fontsize=16)

#绘制数据
foriinrange(len(X)):
#散点图绘制
plt.scatter(X[i],Y[i],color=colorDict[labels[i]])

#每个点增加描述信息
foriinrange(0,7):
plt.text(X[i]+2,Y[i]-1,names[i],fontsize=14)

plt.show()

问题分析：根据已知信息分析电影类型unknown是什么

核心思想：

未标记样本的类别由距离其最近的K个邻居的类别决定

距离度量：

一般距离计算使用欧式距离（用勾股定理计算距离），也可以采用曼哈顿距离（水平上和垂直上的距离之和）、余弦值和相似度（这是距离的另一种表达方式）。相比于上述距离，马氏距离更为精确，因为它能考虑很多因素，比如单位，由于在求协方差矩阵逆矩阵的过程中，可能不存在，而且若碰见3维及3维以上，求解过程中极其复杂，故可不使用马氏距离

知识扩展

马氏距离概念：表示数据的协方差距离
方差：数据集中各个点到均值点的距离的平方的平均值
标准差：方差的开方
协方差cov(x,y)：E表示均值，D表示方差，x，y表示不同的数据集，xy表示数据集元素对应乘积组成数据集

cov(x,y)=E(xy)-E(x)*E(y)

cov(x,x)=D(x)

cov(x1+x2,y)=cov(x1,y)+cov(x2,y)

cov(ax,by)=abcov(x,y)

协方差矩阵：根据维度组成的矩阵，假设有三个维度，a，b，c

∑ij=[cov(a,a)cov(a,b)cov(a,c)cov(b,a)cov(b,b)cov(b,c)cov(c,a)cov(c,b)cov(c,c)]

算法实现：欧氏距离

编码实现

#自定义实现mytest1.py
importnumpyasnp

#创建数据集
defcreateDataSet():
features=np.array([[3,104],[8,95],[1,81],[111,15],
[99,2],[88,10]])
labels=["Romance","Romance","Romance","Action","Action","Action"]
returnfeatures,labels

defknnClassify(testFeature,trainingSet,labels,k):
"""
KNN算法实现，采用欧式距离
:paramtestFeature:测试数据集，ndarray类型，一维数组
:paramtrainingSet:训练数据集，ndarray类型，二维数组
:paramlabels:训练集对应标签，ndarray类型，一维数组
:paramk:k值，int类型
:return:预测结果，类型与标签中元素一致
"""
dataSetsize=trainingSet.shape[0]
"""
构建一个由dataSet[i]-testFeature的新的数据集diffMat
diffMat中的每个元素都是dataSet中每个特征与testFeature的差值（欧式距离中差）
"""
testFeatureArray=np.tile(testFeature,(dataSetsize,1))
diffMat=testFeatureArray-trainingSet
#对每个差值求平方
sqDiffMat=diffMat**2
#计算dataSet中每个属性与testFeature的差的平方的和
sqDistances=sqDiffMat.sum(axis=1)
#计算每个feature与testFeature之间的欧式距离
distances=sqDistances**0.5

"""
排序，按照从小到大的顺序记录distances中各个数据的位置
如distance=[5,9,0,2]
则sortedStance=[2,3,0,1]
"""
sortedDistances=distances.argsort()

#选择距离最小的k个点
classCount={}
foriinrange(k):
voteiLabel=labels[list(sortedDistances).index(i)]
classCount[voteiLabel]=classCount.get(voteiLabel,0)+1
#对k个结果进行统计、排序，选取最终结果，将字典按照value值从大到小排序
sortedclassCount=sorted(classCount.items(),key=lambdax:x[1],reverse=True)
returnsortedclassCount[0][0]

testFeature=np.array([100,200])
features,labels=createDataSet()
res=knnClassify(testFeature,features,labels,3)
print(res)
#使用python包实现mytest2.py
fromsklearn.neighborsimportKNeighborsClassifier
from.mytest1importcreateDataSet

features,labels=createDataSet()
k=5
clf=KNeighborsClassifier(k_neighbors=k)
clf.fit(features,labels)

#样本值
my_sample=[[18,90]]
res=clf.predict(my_sample)
print(res)

示例：《交友网站匹配效果预测》

数据来源：略

数据显示

importpandasaspd
importnumpyasnp
frommatplotlibimportpyplotasplt
frommpl_toolkits.mplot3dimportAxes3D

#数据加载
defloadDatingData(file):
datingData=pd.read_table(file,header=None)
datingData.columns=["FlightDistance","PlaytimePreweek","IcecreamCostPreweek","label"]
datingTrainData=np.array(datingData[["FlightDistance","PlaytimePreweek","IcecreamCostPreweek"]])
datingTrainLabel=np.array(datingData["label"])
returndatingData,datingTrainData,datingTrainLabel

#3D图显示数据
defdataView3D(datingTrainData,datingTrainLabel):
plt.figure(1,figsize=(8,3))
plt.subplot(111,projection="3d")
plt.scatter(np.array([datingTrainData[x][0]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="smallDoses"]),
np.array([datingTrainData[x][1]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="smallDoses"]),
np.array([datingTrainData[x][2]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="smallDoses"]),c="red")
plt.scatter(np.array([datingTrainData[x][0]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="didntLike"]),
np.array([datingTrainData[x][1]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="didntLike"]),
np.array([datingTrainData[x][2]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="didntLike"]),c="green")
plt.scatter(np.array([datingTrainData[x][0]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="largeDoses"]),
np.array([datingTrainData[x][1]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="largeDoses"]),
np.array([datingTrainData[x][2]
forxinrange(len(datingTrainLabel))
ifdatingTrainLabel[x]=="largeDoses"]),c="blue")
plt.xlabel("飞行里程数",fontsize=16)
plt.ylabel("视频游戏耗时百分比",fontsize=16)
plt.clabel("冰淇凌消耗",fontsize=16)
plt.show()

datingData,datingTrainData,datingTrainLabel=loadDatingData(FILEPATH1)
datingView3D(datingTrainData,datingTrainLabel)

问题分析：抽取数据集的前10%在数据集的后90%进行测试

编码实现

#自定义方法实现
importpandasaspd
importnumpyasnp

#数据加载
defloadDatingData(file):
datingData=pd.read_table(file,header=None)
datingData.columns=["FlightDistance","PlaytimePreweek","IcecreamCostPreweek","label"]
datingTrainData=np.array(datingData[["FlightDistance","PlaytimePreweek","IcecreamCostPreweek"]])
datingTrainLabel=np.array(datingData["label"])
returndatingData,datingTrainData,datingTrainLabel

#数据归一化
defautoNorm(datingTrainData):
#获取数据集每一列的最值
minValues,maxValues=datingTrainData.min(0),datingTrainData.max(0)
diffValues=maxValues-minValues

#定义形状和datingTrainData相似的最小值矩阵和差值矩阵
m=datingTrainData.shape(0)
minValuesData=np.tile(minValues,(m,1))
diffValuesData=np.tile(diffValues,(m,1))
normValuesData=(datingTrainData-minValuesData)/diffValuesData
returnnormValuesData

#核心算法实现
defKNNClassifier(testData,trainData,trainLabel,k):
m=trainData.shape(0)
testDataArray=np.tile(testData,(m,1))
diffDataArray=(testDataArray-trainData)**2
sumDataArray=diffDataArray.sum(axis=1)**0.5
#对结果进行排序
sumDataSortedArray=sumDataArray.argsort()

classCount={}
foriinrange(k):
labelName=trainLabel[list(sumDataSortedArray).index(i)]
classCount[labelName]=classCount.get(labelName,0)+1
classCount=sorted(classCount.items(),key=lambdax:x[1],reversed=True)
returnclassCount[0][0]


#数据测试
defdatingTest(file):
datingData,datingTrainData,datingTrainLabel=loadDatingData(file)
normValuesData=autoNorm(datingTrainData)


errorCount=0
ratio=0.10
total=datingTrainData.shape(0)
numberTest=int(total*ratio)
foriinrange(numberTest):
res=KNNClassifier(normValuesData[i],normValuesData[numberTest:m],datingTrainLabel,5)
ifres!=datingTrainLabel[i]:
errorCount+=1
print("Thetotalerrorrateis:{}\n".format(error/float(numberTest)))

if__name__=="__main__":
FILEPATH="./datingTestSet1.txt"
datingTest(FILEPATH)
#python第三方包实现
importpandasaspd
importnumpyasnp
fromsklearn.neighborsimportKNeighborsClassifier

if__name__=="__main__":
FILEPATH="./datingTestSet1.txt"
datingData,datingTrainData,datingTrainLabel=loadDatingData(FILEPATH)
normValuesData=autoNorm(datingTrainData)
errorCount=0
ratio=0.10
total=normValuesData.shape[0]
numberTest=int(total*ratio)

k=5
clf=KNeighborsClassifier(n_neighbors=k)
clf.fit(normValuesData[numberTest:total],datingTrainLabel[numberTest:total])

foriinrange(numberTest):
res=clf.predict(normValuesData[i].reshape(1,-1))
ifres!=datingTrainLabel[i]:
errorCount+=1
print("Thetotalerrorrateis:{}\n".format(errorCount/float(numberTest)))

以上就是python实现KNN近邻算法的详细内容，更多关于python实现KNN近邻算法的资料请关注毛票票其它相关文章！