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

ML in action代码学习/CH02 KNN/约会网站配对效果改进

程序员文章站 2022-06-21 15:33:07
...
from numpy import *
import operator

分类

def classify0(inX,dataSet,labels,k): #用于分类的是inX,用于训练的是dataSet
    dataSetSize = dataSet.shape[0] # 获取dataSet矩阵的行数
    diffMat =tile(inX,(dataSetSize,1))-dataSet #将行向量inX复制dataSetSize行,求inX与每一个实例之间的距离
    sqDiffMat = diffMat**2 #对距离求平方
    sqDistance = sqDiffMat.sum(axis=1) # 距离平方和 axis=0列相加 =1行相加
    distances = sqDistance**0.5 #开根号
    sortedDistIndicies = distances.argsort() #取距离的索引(从小到大)
    classCount ={} #生成一个用于存放label及其对应次数的字典
    for i in range(k): 
        voteIlabel = labels[sortedDistIndicies[i]] #取前k个距离对应的label
        classCount[voteIlabel] =classCount.get(voteIlabel,0)+1 #取label对应的次数,加1。没有时默认取0加1
    sortedClassCount =sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)
    #这里的知识点有:
    #dict.iteritems() 返回迭代器,占内存少,但是访问慢   ps:dict.item()返回列表,占内存多,访问快
    #operator.itemgetter(item)  返回一个可调用的对象,取操作对象的items 
    #eg:f = itemgetter(2), call f(r) returns r[2]
    #sorted(iterable[, cmp[, key[, reverse]]])
    # iterable 是进行排序的list或者iterator
    # cmp 是进行比较的函数
    # key是取待排序元素的哪一项进行排序
    # reverse默认为false升序,true为降序
    # https://docs.python.org/2/library/functions.html?highlight=sorted#sorted
    return sortedClassCount[0][0]

数据预处理

def file2matrix(filename):
    fhand = open(filename)
    arrayOfLines = fhand.readlines() 
    # read() 一次性读取成一个字符串,换行显示表示成\n
    # readlines() 一次性读取,按行解析成列表
    # readline() 一次读取一行,没有足够内存一次性读取使用
    numOfLines = len(arrayOfLines)
    returnMat = zeros((numOfLines,3))
    # numpy.zeros(shape, dtype=float, order='C') 返回一个新的array ,可以是list,也可以是mmatrix
    classLabelVector = []
    index = 0
    for line in arrayOfLines:
        line = line.strip() 
        listFromLine = line.split("\t") # 有4个元素,前三个是特征,最后一个是target
        returnMat[index,:] = listFromLine[0:3]
        classLabelVector.append(int(listFromLine[-1])) #用int的原因是元素存储为整形,否则会被python认为是字符串
        index += 1
    return returnMat,classLabelVector

reload(knn)
datingDataMat,datingLabels = knn.file2matrix("datingTestSet2.txt")

import matplotlib 
import matplotlib.pyplot as plt

fig = plt.figure()  #新建一个Figure画布对象
ax = fig.add_subplot(111)  #将整个画布分成1行1列,在第一个块区域里面生成Axes对象
ax.scatter(xDataSet,yDataSet)
#matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)
plt.show()

数据归一化

newValue = (oldValue - minValue)/(max-min)

def autoNorm(dataSet):
    minVals = dataSet.min(0) #取每列的最小值,参数为1取行
    maxVals = dataSet.max(0) #取每列的最大值
    ranges = maxVals - minVals   # 区间距离,分母
    normDataSet =zeros(shape(dataSet))  #新建一个同dataSet行列的0阵来存放归一化后的矩阵
    m = dataSet.shape[0] #取行数
    normDataSet = dataSet - tile(minVals,(m,1)) #分子biao'shi'ju'ti'de'zhi'xiang
    normDataSet = normDataSet /tile(ranges,(m,1))  #想起来matlab里面./和/的差别。在numpy中,matrix/matrix只表示
    return normDataSet,ranges,minVals

reload(knn)
normMat,ranges,minVals = knn.autoNorm(datingDataMat)

测试

def datingClassTest():
    hoRatio = 0.10
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingDataMat)
    m=normMat.shape[0] # 行数,即样例总数
    numTestVecs = int(m*hoRatio)  #样例的10%作为测试样例
    errorCount=0.0
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs,:],3)
        #测试数据需要随机选择,而数据本身并没有特定的排序,所以可以直接选择前面的10%行来作为测试数据,后面的作为训练集
        print "the classifier came back with:%d,the real answer is %d" % (classifierResult,datingLabels[i])
        #print 输入带精度数字的用法 print "%d/f" %(variable)   %r是万能符
        if(classifierResult!=datingLabels[i]):errorCount +=1.0
    print "the total error rate is %f" % (errorCount/float(numTestVecs))

预测函数

def classifyPerson():
    resultList = ["not at all","in small doses","in large doses"] #结果列表
    percenrTats=float(raw_input("percentage of time spent playing video games?")) #输入参数1
    ffMiles = float(raw_input("frequent flier miles earned per year")) #输入参数2
    iceCream = float(raw_input("liters of ice cream consumed per year")) #输入参数3

    datingDataMat,datingLabels = file2matrix("datingTestSet2.txt") #获取训练集,标签
    normMat,ranges,minVals = autoNorm(datingDataMat) # 归一化
    inArr =array([ffMiles,percenrTats,iceCream])  # 输入参数向量化
    classifierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels,3)  #分类
    print "you will probably like this person:",resultList[classifierResult-1]  #输出结果