欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

kNN分类算法实例1:用kNN改进约会网站的配对效果

程序员文章站 2022-05-18 22:37:28
@[toc] 实战内容 海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选,但她并不是喜欢每一个人。经过一番总结,她发现自己交往过的人可以进行如下分类: 不喜欢的人 魅力一般的人 极具魅力的人 海伦收集约会数据已经有了一段时间,她把这些数据存放在文本文件datingTe ......

@

实战内容

海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选,但她并不是喜欢每一个人。经过一番总结,她发现自己交往过的人可以进行如下分类:

不喜欢的人
魅力一般的人
极具魅力的人

海伦收集约会数据已经有了一段时间,她把这些数据存放在文本文件datingtestset.txt中,每个样本数据占据一行,总共有1000行。

海伦收集的样本数据主要包含以下3种特征:

每年获得的飞行常客里程数
玩视频游戏所消耗时间百分比
每周消费的冰淇淋公升数

任务:试建立一个分类器,使得在下次输入数据后,程序可以帮助海伦预测海伦对此人的印象。

原著中,所有归一化、knn算法,分类器都是作者自己写的。代码可以用于理解算法原理,用于使用就没有必要,而且代码基于的版本是2.7,难以直接使用。
源代码及其详解可以参考以下链接:
机器学习实战—k近邻算法(knn)02-改进约会网站的配对效果

既然有了优秀的sklearn库可以为我们提供现成的knn函数,为什么不直接调用它呢?这正是python较其他语言强大的所在呀!

用sklearn自带库实现knn算法分类

大致流程:

  1. 导入数据,打印数据的相关信息,初步了解数据
  2. 绘制图像更直观的分析数据
  3. 切分数据成测试集和训练集,可以用sklearn自带库随机切割,也可以将数据前半部分和后半部分切割,后者更有利于代入测试集人工检验
  4. 数据预处理,之后的代码仅有归一化
  5. 用sklearn自带库训练算法,然后打分正确率
  6. 完善分类器功能,允许后期输入参数真正实现分类

可以参考以下链接,更详细的了解sklearn自带的knn算法做分类的流程:

以下是代码(更多细节请参考附在最后的参考资料):

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn import preprocessing
from sklearn.model_selection import train_test_split
from sklearn.neighbors import kneighborsclassifier

#转化文件格式 第一次执行后,在文件夹下会生成.csv文件,之后就不需要重复执行这段代码了
'''
txt = np.loadtxt('datingtestset2.txt')
txtdf = pd.dataframe(txt)
txtdf.to_csv('datingtestset2.csv', index=false) #no index
'''

#load csv, learn more about it.
dataset = pd.read_csv('datingtestset2.csv')
dataset.columns = ['miles', 'galons', 'percentage', 'label']
print(dataset.head())
print(dataset.dtypes)
print(np.unique(dataset['label']))
print(len(dataset))


#analyze our set through seaborn
# 绘制散点图 第一次执行后,三个特征对结果的影响就会有个印象,后面也可以不再执行
'''
sns.lmplot(x='galons', y='percentage', data=dataset, hue='label',fit_reg=false)
sns.lmplot(x='miles', y='percentage', data=dataset, hue='label',fit_reg=false)
sns.lmplot(x='miles', y='galons', data=dataset, hue='label',fit_reg=false)
plt.show()
'''


#cut dataset randomly
'''
dataset_data = dataset[['miles', 'galons', 'percentage']]
dataset_label = dataset['label']
print(dataset_data.head())
data_train, data_test, label_train, label_test = train_test_split(dataset_data, dataset_label, test_size=0.2, random_state=0)
'''
#cut dataset
dataset_data = dataset[['miles', 'galons', 'percentage']]
dataset_label = dataset['label']

data_train = dataset.loc[:800,['miles', 'galons', 'percentage']]  #我让训练集取前800个
print(data_train.head())
label_train = np.ravel(dataset.loc[:800,['label']])
data_test = dataset.loc[800:,['miles', 'galons', 'percentage']]
label_test = np.ravel(dataset.loc[800:,['label']])

#preprocessing, minmaxscaler
min_max_scaler = preprocessing.minmaxscaler()
data_train_minmax = min_max_scaler.fit_transform(data_train)
data_test_minmax = min_max_scaler.fit_transform(data_test)
print(data_train_minmax)

#training and scoring
knn = kneighborsclassifier(n_neighbors=15)
knn.fit(data_train_minmax,label_train)
score = knn.score(x=data_test_minmax,y=label_test,sample_weight=none)
print(score)

#completion
def classifyperson(): #此为手动输入参数预测结果需要的函数
    percentage = float(input('percentage of time spent playing video games?'))
    ffmiles = float(input('frequent flier miles earned per year?'))
    icecream = float(input('liters of ice-cream consumed per year?'))
    inarr = np.array([[percentage, ffmiles, icecream]])
    inarr_minmax = min_max_scaler.fit_transform(inarr)
    return inarr_minmax

#inarr_minmax = classifyperson() 

label_predict = knn.predict(data_test_minmax) #此代码与之前人工切分数据集结合,用于人工校对正确率
print(label_predict)

当k取15的时候,正确率试过来是最高的,能达到0.935
以下是测试集代入分类器后得到的结果,可以将其与文本文件里最后200个标签一一对照一下,可以发现正确率确实还是蛮高的。
kNN分类算法实例1:用kNN改进约会网站的配对效果

将内含非数值型的txt文件转化为csv文件

原作中,作者已经将obj型标签帮我们转化成数值型了,因此在上面的代码中,我们可以直接将转化好的文件拿来用。但是如果要我们自己转化数据类型,该怎么转化?
其实只需要将原作中的第一个函数略加改造即可。代码如下:

# 将文本记录转换为numpy的解析程序
def file2matrix(filename):
    fr = open(filename)
    #得到文件行数
    arrayoflines = fr.readlines()
    numberoflines = len(arrayoflines)
    #创建返回的numpy矩阵
    returnmat = np.zeros((numberoflines,3))
    classlabelvector = []
    #解析文件数据到列表
    index = 0
    for line in arrayoflines:
        line = line.strip() #注释1
        listfromline = line.split('\t') #注释2
        returnmat[index,:] = listfromline[0:3]
        classlabelvector.append(listfromline[-1])
        index += 1
    return returnmat,classlabelvector

#调用函数,读取数据
datingdatamat,datinglabels = file2matrix('datingtestset.txt')
#拼接标签和特征
datingdatamat_df = pd.dataframe(datingdatamat)
datinglabels_df = pd.dataframe(datinglabels)
txtdf = pd.concat([datingdatamat_df,datinglabels_df],axis=1) #横向拼接
txtdf.to_csv('datingtestset.csv', index=false) #这里,datingtestset.csv中的标签是[largedoses, smalldoses, didn't like]

#读取datingtestset.csv
dataset = pd.read_csv('datingtestset.csv')
dataset.columns = ['miles', 'galons', 'percentage', 'label']
print(dataset.head())

得到的新dataframe如下:
kNN分类算法实例1:用kNN改进约会网站的配对效果

用sns.lmplot绘图反映几个特征之间的关系

以下列出了三个特征两两之间的关系(没有列全),通过它们大致能感觉出三个特征值对结果的影响。
kNN分类算法实例1:用kNN改进约会网站的配对效果kNN分类算法实例1:用kNN改进约会网站的配对效果kNN分类算法实例1:用kNN改进约会网站的配对效果

参考资料

(此办法只适用于只有数值型的文件,或者说标签已经被转化为数值型了,如何将含object型的txt文件导入见后)
如何对dataframe的列名重新命名?


如何改变dataframe某一列的数据类型?




如何获取dataframe的行数和列数?
如何选取dataframe列?官网


如何用sklearn自带库归一化?官网




如何使用with open()as filename?
如何用python提取txt数据转化为dataframe?