《机器学习实战》个人学习记录笔记（三）———k-近邻算法实战之sklearn手写数字识别

第二章 k-近邻算法

PS：个人笔记 根据《机器学习实战》这本书，Jack-Cui的博客，以及深度眸的视频进行学习

1. Sklearn实现k-近邻算法

sklearn.neighbors.KNeighborsClassifier就可以是实现上小结，我们实现的k-近邻算法。KNeighborsClassifier函数一共有8个参数。

KNneighborsClassifier参数说明：

⭐⭐n_neighbors：默认为5，就是k-NN的k的值，选取最近的k个点。

⭐⭐weights：默认是uniform，参数可以是uniform、distance，也可以是用户自己定义的函数。uniform是均等的权重，就说所有的邻近点的权重都是相等的。distance是不均等的权重，距离近的点比距离远的点的影响大。用户自定义的函数，接收距离的数组，返回一组维数相同的权重。

algorithm：快速k近邻搜索算法，默认参数为auto，可以理解为算法自己决定合适的搜索算法。除此之外，用户也可以自己指定搜索算法ball_tree、kd_tree、brute方法进行搜索，brute是蛮力搜索，也就是线性扫描，当训练集很大时，计算非常耗时。kd_tree，构造kd树存储数据以便对其进行快速检索的树形数据结构，kd树也就是数据结构中的二叉树。以中值切分构造的树，每个结点是一个超矩形，在维数小于20时效率高。ball tree是为了克服kd树高纬失效而发明的，其构造过程是以质心C和半径r分割样本空间，每个节点是一个超球体。

leaf_size：默认是30，这个是构造的kd树和ball树的大小。这个值的设置会影响树构建的速度和搜索速度，同样也影响着存储树所需的内存大小。需要根据问题的性质选择最优的大小。

metric：用于距离度量，默认度量是minkowski，也就是p=2的欧氏距离(欧几里德度量)。

p：距离度量公式。在上小结，我们使用欧氏距离公式进行距离度量。除此之外，还有其他的度量方法，例如曼哈顿距离。这个参数默认为2，也就是默认使用欧式距离公式进行距离度量。也可以设置为1，使用曼哈顿距离公式进行距离度量。

metric_params：距离公式的其他关键参数，这个可以不管，使用默认的None即可。

n_jobs：并行处理设置。默认为1，临近点搜索并行工作数。如果为-1，那么CPU的所有cores都用于并行工作。

import numpy as np
from os import listdir
from sklearn.neighbors import KNeighborsClassifier as kNN

"""
函数说明:将32x32的二进制图像转换为1x1024向量。

Parameters:
    filename - 文件名
Returns:
    returnVect - 返回的二进制图像的1x1024向量
"""
def img2vector(filename):                             #这一步骤就是数据的预处理，
    returnVect = np.zeros((1, 1024))                  #创建1x1024零向量，就是变成(1,1024)的数组
    fr = open(filename)
    for i in range(32):                               #每一行的前32个元素依次添加到returnVect中
        lineStr = fr.readline()
        for j in range(32):
            returnVect[0, 32*i+j] = int(lineStr[j])   #返回转换后的1x1024向量
    return returnVect

"""
函数说明:手写数字分类测试

Parameters:
    无
Returns:
    无
"""
def handwritingClassTest():
    hwLabels = []                                       #测试集的Labels，后面用来比对计算错误率
    trainingFileList = listdir('trainingDigits')        #listdir()是返回目录下的文件名
    m = len(trainingFileList)                           #返回文件夹下文件的个数
    trainingMat = np.zeros((m, 1024))                   #初始化训练的Mat矩阵,测试集，就是批量处理
    for i in range(m):                                  #从文件名中解析出训练集的类别
        fileNameStr = trainingFileList[i]               #获得文件的名字；是为了下一步获取每个文件的数字类别
        classNumber = int(fileNameStr.split('_')[0])    #获得分类的数字；因为分隔后的第一个是代表类别的数字
        hwLabels.append(classNumber)                    #将获得的类别添加到hwLabels中
        trainingMat[i,:] = img2vector('trainingDigits/%s' % (fileNameStr))    #将每一个文件的1x1024数据存储到trainingMat矩阵中，trainingMat最后是m行1024列的矩阵
    neigh = kNN(n_neighbors = 3, algorithm = 'auto')    #构建kNN分类器;第一个指标就是K，第二个指标就是自动搜索适合的算法
    neigh.fit(trainingMat, hwLabels)                    #拟合模型, trainingMat为测试矩阵,hwLabels为对应的标签；这两步就是之前定义的classify那个函数的作用
    testFileList = listdir('testDigits')                #返回testDigits目录下的文件列表   同样也要对测试集进行相同的处理
    errorCount = 0.0                                    #错误检测计数
    mTest = len(testFileList)                           #测试数据的数量
    for i in range(mTest):                              #从文件中解析出测试集的类别并进行分类测试  
        fileNameStr = testFileList[i]                   #获得文件的名字
        classNumber = int(fileNameStr.split('_')[0])    #获得分类的数字
        vectorUnderTest = img2vector('testDigits/%s' % (fileNameStr))    #获得测试集的1x1024向量,用于训练
        classifierResult = neigh.predict(vectorUnderTest)    #获得预测结果；# classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
        print("分类返回结果为%d\t真实结果为%d" % (classifierResult, classNumber)) 
        if(classifierResult != classNumber):
            errorCount += 1.0
    print("总共错了%d个数据\n错误率为%f%%" % (errorCount, errorCount/mTest * 100))


if __name__ == '__main__':
    handwritingClassTest()