她是不是你喜欢的类型.jpg
通过本篇博文，你可以学习到：
- 环境搭建，主要为python，numpy，以及matplotlib库的搭建等；
- k-近邻算法；
- k-近邻算法实战练习，使用k-近邻算法判断某个同学是不是你喜欢的类型。
理论与实战的结合，赶快打起精神，一起来学习吧！吼吼吼~~~
环境搭建
- python：开发语言，使用广泛， 简单易学
- NumPy：科学计算库文件，它实现了大量的向量和矩阵操作，在python中我们可以像在matlab里面一样编写非常简单易读矩阵操作代码。
- matplotlib：绘图库文件，在python中我们可以像在matlab里面一样，方便的实现绘图功能。
python###
-
下载python安装文件
在https://www.python.org/downloads/ 上下载相应平台的python安装文件，本文采用的python版本为windows平台的python 2.7。下载后，点击安装，一路next。 -
添加环境变量
右键“我的电脑”——属性——系统高级设置——高级——环境变量，在系统变量中找到Path，编辑此变量在后面追加 ;C:\Python27\ (python安装位置，每个人都可能不一样哦，注意前面的分号)。 -
如何证明python安装成功？
打开命令提示符，输入python，能看到所安装python的版本信息即证明安装成功，如下图所示：
python安装成功示意图.png
numpy及matplotlib等库文件安装###
一个一个安装比较麻烦，如果想省事儿的话，建议使用Anaconda进行安装，Anaconda针对的痛点就是一个一个安装这些库会比较麻烦，那么他就帮大家一起集成了。
-
下载Anaconda安装文件
在https://www.continuum.io/downloads 下载相应版本的安装文件，双击安装即可，一路next。 -
环境变量设置
Anaconda安装的过程中，会自动在path下面添加相关的环境变量，所以这步跳过。 -
如何证明Anaconda已经安装成功？
在cmd里面，输入conda list可以查看Anaconda已经帮大家安装的库，如下图所示。
Anaconda安装成功示意图.png
可以自己看下我们所需要用到的numpy及matplotlib库文件也在包含在里面。
4.如何证明numpy及matplotlib已经安装成功？
numpy正常使用示意图.png
matplotlib正确安装示意图_代码.png
使用matplotlib画图.png
如上图所示，就表示能够正常的使用numpy及matplotlib。
爬过的坑###
- 单独下载numpy包，然后cd到相应的路径，使用python setup.py install安装numpy，报错“failed with exit status 1120”，如下图所示：
爬过的坑1.png
产生问题的原因及解决办法：版本原因，python版本为2.7，numpy下载的版本为1.11，后来使用Anaconda下载的匹配的版本是1.10。解决方法是使用Anaconda安装。
2.安装完Anaconda之后，import matplotlib的时候，提示"no module named matplotlib"。
产生问题的原因：猜想是python无法使用Anaconda安装的库。
解决办法：
在python安装目录下的lib\site-packages下面，新建一个文件anaconda.pth，文件的内容是Anaconda安装目录下的site-packages路径。
爬过的坑2.png
3.import matplotlib.pyplot as plt报错“from PyQt4 import QtCore, QtGui ImportError: DLL load failed:找不到指定的程序“，如下图所示
爬过的坑3.png
产生问题的原因：没有安装PyQt4
解决办法：安装PyQt4，下载链接https://riverbankcomputing.com/software/pyqt/download
OK！到这一步为止环境就算搭建好了，下面就开始这篇文章的正题，k-近邻算法。
k-近邻（kNN）算法概述
- kNN算法原理
存在一个样本数据集合，也称作训练样本集，并且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。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（最邻近）的分类标签。一般来说我们只选择数据集中前k个最相似的数据，这就是k-近邻算法的k的出处，通常k是不大于20的整数。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。
上面写的太复杂了，其实很简单，就是计算距离，根据距离进行分类。举个栗子，吼吼，如下图所示，已知右上角的两个点属于A类，左下角的两个点属于B类，那么给定一个点如图中的小红点，那么他是属于A点还是B点呢？
kNN算法给出的解决方案是，分别计算小红点与每个点的距离，然后将距离从小到大排序，取前k位，如取前2位，如果发现这2位都是B类，那么说明这个小红点也是属于B类。
k近邻算法示例.png
- kNN算法实现
算法流程
- 计算待分类点与已知类别数据集中每个点的距离；
- 按照距离递增次序排序；
- 选取与待分类点距离最小的k个点；
- 确定前k个点类别出现的频率；
- 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。
python代码实现
from numpy import *
def 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]
四不四很简单？吼吼吼~~~
使用k-近邻算法快速判定她是不是你喜欢的类型？
-
问题描述
比如你的朋友经常上约会网站寻找自己的约会对象，你的朋友选定约会对象的时候主要看重三点“每年飞行的旅程数”、“玩游戏所耗时间百分比”、“每个月看书的数目”，你阅人无数的朋友已经约会过很多个对象了，并且把这些对象分为三类“她是我喜欢的类型”、“一般喜欢”，“她不是我喜欢的类型”，经过无数次的约会之后，你的朋友心已经很累了，他想能否输入某人的“每年飞行的旅程数”、“玩游戏所耗时间百分比”、“每个月看书的数目”这三项数据，就能判断她是不是他喜欢的类型呢？ -
已有资源
为了简化问题，我们假设你的朋友，已经整理了一份数据，如下图所示：
数据.png
其中前三列分别表示“每年飞行的旅程数”、“玩游戏所耗时间百分比”、“每个月看书的数目”，第四列表示分类。其中“1”表示“她不是我喜欢的类型”、“2”表示“一般喜欢”，“3”表示“她是我喜欢的类型”。 -
如何使用kNN算法？
在前一篇博文机器学习实战入门篇之一：机器学习中必会的基础概念！中，我们介绍了使用机器学习算法解决问题的一般步骤，我们再一次回顾一遍流程图。
开发机器学习应用程序步骤.png
下面我们将一步一步来完成。
-
收集数据
为简单起见，已经提供txt文本数据。 -
数据预处理
数据预处理中，我们得将txt文本中提供的数据放到矩阵或矢量中进行存储，然后还需要将数据进行归一化。
（1） 把txt文本中的数据转换成矩阵或矢量进行存储
#函数名：file2matrix
#输入：文件名
#输出：returnMat为txt文本数据的前三列构成的二维数组
# classLabelVector为txt文本数据第四列的分类信息的一维矢量
def file2matrix(filename):
fr = open(filename)
numberOfLines = len(fr.readlines()) #get the number of lines in the file
returnMat = zeros((numberOfLines,3)) #prepare matrix to return
classLabelVector = [] #prepare labels return
fr = open(filename)
index = 0
for line in fr.readlines():
line = line.strip()
listFromLine = line.split('\t')
returnMat[index,:] = listFromLine[0:3]
classLabelVector.append(int(listFromLine[-1]))
index += 1
return returnMat,classLabelVector
（2） 数据归一化
为什么要进行数据归一化？分析下数据可以看出，飞行距离相对于其他两个特征的数据来说通常要大的多，如果不进行数据归一化，那么在计算距离的时候飞行距离对结果的影响占绝对主导性，这显然是不合理的，所以需要进行数据归一化，归一化的python代码如下所示：
#函数名：autoNorm
#输入：dataSet为原始数据二维数组
#输出：normDataSet归一化之后的二维数组，ranges为每一列最大值减去最小值的范围，minVals为每一列的最小值。
def autoNorm(dataSet):
minVals = dataSet.min(0)
maxVals = dataSet.max(0)
ranges = maxVals - minVals
normDataSet = zeros(shape(dataSet))
m = dataSet.shape[0]
normDataSet = dataSet - tile(minVals, (m,1))
normDataSet = normDataSet/tile(ranges, (m,1)) #element wise divide
return normDataSet, ranges, minVals
-
分析输入数据
可以将数据用二维散点图画出来，直观感受一下。 -
训练算法
此步骤不适用于kNN算法 -
测试算法
通常来说，我们使用数据的90%作为训练数据，10%的数据作为测试数据。测试的指标为出错率，当预测的分类和实际的分类结果不一致时，记录一个错误，错误的总数/测试的样本数即为出错率。
python代码：
#函数名：datingClassTest
#输入：无
#输出：无，但是会打印出错个数及错误率。
def datingClassTest():
hoRatio = 0.50 #hold out 10%
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt') #load data setfrom file
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])
if (classifierResult != datingLabels[i]): errorCount += 1.0
print "the total error rate is: %f" % (errorCount/float(numTestVecs))
print errorCount
运行结果：
测试程序运行结果.png
可以看出，错误率为6.4%，大家可以改变参数值k，观察下出错率的变化。
-
应用算法
测试出错率达到满意结果之后，我们就可以拿来用了，应用程序如下：
def classifyPerson():
resultList = ['not like','so so','very like']
gamePercent = float(raw_input("gaming time percent:"))
flyMiles = float(raw_input("flying miles per year:"))
bookNum = float(raw_input("reading books per month:"))
datingDataMat, datingLabels = file2matrix("datingTestSet2.txt")
normMat, ranges, minVals = autoNorm(datingDataMat)
inArray = array([flyMiles, gamePercent, bookNum])
classifyResult = classify0((inArray - minVals)/ranges, normMat, datingLabels, 3)
print "prediction result is: ", resultList[classifyResult - 1]
运行结果：
运行结果.png
可以看出，具有这些特征数据的她对你吸引力一般般啦，你可以自己测试看看，看到底什么样的她才是你喜欢的类型呢？
kNN算法总结
- 优点：简单有效
- 缺点：经过前面的介绍可以看出，kNN算法必须保存全部的数据集，如果训练数据集很大，那么就需要耗费大量的存储空间。此外，由于必须对待分类数据计算与每一个训练数据的距离，非常耗时。
终于写好了，码字好累，欢迎志同道合的朋友留言交流，有什么写的不对的地方敬请指出！
网友评论