代码来自于《机器学习实战》
问题背景
小红经常在约会网站寻找适合自己的约会对象。经过自己的总结，发现曾经交往过三种类型的人：
不喜欢的人
魅力一般的人
极具魅力的人
发现了上述规律，小红还是无法将约会网站推荐的匹配对象归到恰当的类别。她希望在周一到周五约会那些魅力一般的人，周末想那些极具魅力的人为伴（世界一直围绕着小红在转啊转......）。我们怎么帮助她？
1. 数据处理
数据保存在datingTestSet2.txt中，每个样本占据一行，共有1000行（哇，人才）。样本主要包含以下3个特征：
每月工资
玩游戏所消耗时间百分比
每周消费的冰淇淋公升数
些许样例示意图
A 处理数据：将文本中的数据变成分类器能接受的格式。
导入需要的工具包
from numpy import *
定义函数file2Matrix：将文本数据转换成矩阵形式
def file2Matrix(filename):
fr= open(filename)
arrayOLines= fr.readlines()#直接将数据全部读取进来，形成列表，每一行为一个元素
numberOfLines= len(arrayOLines)#行数
returnMatrix= zeros((numberOfLines,3))
classLabelVector= []
index= 0
for linein arrayOLines:
line= line.strip()
listFromLine= line.split('\t')
returnMatrix[index,:] = listFromLine[0:3]#赋值方式很厉害！
classLabelVector.append(listFromLine[-1])
index+= 1
return returnMatrix,classLabelVector
B 数据归一化处理
数据中特征“每月工资”，取值范围太大，计算距离时，产生的影响过大。但我们认为3个特征的重要性是一样的。所以，有必要进行数据归一化处理。将数据归一化到 0~1 之间。
公式
newValue = （oldValue-min）/（max-min）
定义归一化函数autoNorm；返回归一化的数据，每个特征的最小值以及范围（方便对新数据进行归一化处理）。
def autoNorm(dataSet):
minVals= dataSet.min(0)#a.min() :全部的最小值；；a.min(axis=0):每列中的最小值；a.min(axis=1):每行中的最小值
maxVals= dataSet.max(0)
ranges= maxVals- minVals
m= dataSet.shape[0]#行数
normDataSet= dataSet- tile(minVals,(m,1))#(m,n)重复次数：行方向上重复m次，列方向上重复1次
normDataSet= normDataSet/tile(ranges,(m,1))
return normDataSet,ranges, minVals
其中，调用的函数
dataSet.min(0)
dataSet：python numpy array类型
array.min()：求数组中的最小值
array.min(axis=0):对数组中的每列求最小值
array.min(axis=1)：对数组中的每行求最小值
numpy.tile(A, reps)：
Construct an array by repeating A the number of times given by reps.通过重复A ，reps次构建一个新的数组。
tile(minVals, (m, 1)):重复minVals 构造一个m*1的copy
2. 分类算法KNN
伪代码：
对未知类别属性的数据集中的每个点依次执行以下操作：
（1）计算已知类别数据集中的点与当前点之间的距离；
（2）按照距离递增次序排序；
（3）选取与当前点距离最近的k个点；
（4）确定前k个点所在类别的出现频率；
（5）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。
其实是计算两个数据的相似性：有距离相似性度量和角度相似性度量【knn算法介绍】。
这里采用距离相似性度量，欧式距离。
欧式距离计算公式
分类器算法实现：
def classify0(inX, dataSet, labels, k):
dataSetSize= dataSet.shape[0]
diffMat= tile(inX,(dataSetSize,1)) - dataSet
sqDiffMat= diffMat** 2
sqDiffMat= sqDiffMat.sum(axis=1)#按列求和
distances= sqDiffMat** 0.5
sortedDistIndicies= distances.argsort()#argsort函数返回的是数组值从小到大的索引值
classCount= {}
for iin range(k):
voteLabel= labels[sortedDistIndicies[i]]
classCount[voteLabel] = classCount.get(voteLabel,0) + 1#在字典classCount中通过 键 查找相应的值，如果字典中没有键，值为0；有获取其值；最后加1
sortedClassCount= sorted(classCount.items(),key=lambda a:a[1],reverse=True)#根据出现次数排序，降序排序
return sortedClassCount[0][0]#返回概率最大（出现次数最多的键，即类别）
其中，调用函数：
numpy.argsort：
Returns the indices that would sort an array. 返回数组排序后的下标（默认升序排序）。
eg：[10, 1, 51]
调用函数，返回的是：[1, 0, 2] ;1是数据1的下标。
3. 测试算法
数据指标：误分率。
计算方法： 错误分类的记录数/测试数据的总数；
def datingClassTest():
"""
使用测试数据测试分类器效果
:return: 误分率"""
hoRatio= 0.10#测试数据所占的比例---将数据集按照1:9的比例划分，1是测试集；9是训练集
datingDataMat,datingLabels= file2Matrix('datingTestSet2.txt')
normMat,ranges,minVals= autoNorm(datingDataMat)
m= normMat.shape[0]#数据集总数
numTestVecs= int(m*hoRatio)#测试集数目
errorCount= 0
for i in range(numTestVecs):
classifierResult= classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
print ("the classifier came back with: %s,the real answer is: %s" % (classifierResult, datingLabels[i]))
if (classifierResult!= datingLabels[i]):
errorCount+= 1
print ("the total error rate is: %f" %(errorCount/float(numTestVecs)))
运行结果：
测试算法运行结果
错误率：5%
4. 使用算法
重头戏：使用knn分类算法，方便小红约会哦！
def classifyPerson1():
resultList= ["不喜欢","魅力一般","极具魅力（韩国欧巴）"]
percentTats= float(raw_input(\
"花费在游戏、视频上的时间百分比?"))#raw_input:读取控制台输入数据，赋值给变量，等效于C++里的cin>>a;
ffMiles= float(raw_input("每月工资有多少?"))
iceCream= float(raw_input("每年消耗的冰淇淋有多少升?"))
datingDataMat,datingLabels= file2Matrix("datingTestSet2.txt")
normMat,ranges,minVals= autoNorm(datingDataMat)
inArr= array([ffMiles,percentTats,iceCream])
classifierResult= classify0((inArr-minVals)/ranges,normMat,datingLabels,k=3)#对输入数据进行归一化，然后再分类
print ("你将约会的人很可能是: %s" % resultList[int(classifierResult)-1])
应用：
小红将约会韩国欧巴（安排在周末）
小红遇到不喜欢的类型（pass）
5. 小结
A。 矩阵运算----能加快运算速度；
B。knn算法分类数据简单有效，不用进行训练，是基于实例的学习，使用的数据必须接近实际数据的训练样本数据；必须保存所有数据，如果数据集过大，需要耗费巨大的存储空间；必须对数据中的所有样例点进行计算距离值，非常耗时（即使使用矩阵进行运算）。
C。人生苦短，我用Python！
完整代码及数据集：github
网友评论