【机器学习实践(2)】K近邻(KNN)模型
根据machine learing in action 第二章改编
machine learing in action 是一本介绍机器学习实例的书，书中大量使用了scipy系列库，像matlab一样使用python。对我们学习python科学计算和理解机器学习都有很大的帮助。
本文根据其第二章内容改编，原作代码有一些问题，这里的代码都是作者重新写的。
转载请注明出处： 本文来自数据火花 http://blog.csdn.net/dataspark
1. 理论基础
K近邻模型，也常被叫做K最邻近结点算法。它是直接拿已经标注的数据做模型的一种统计学习方法（即，不需要额外的训练过程）。
对于待分类的样本点，在已经标注的数据集合中，找到与目标样本点最近的K个（K通常小于20）点，用K个点的标注类别来投票，得票最多的标注类别即作为目标点的分类结果。
2. 用ptyhon实现简单的KNN
2.1待处理数据及其格式
2.2 python实现
需要引入的库：
from numpy import * import numpy import operator
2.2.1 文件读取
定义函数，读取数据文件：
def read_data(fileName, dim):
f = open(fileName, 'r')
originalData = f.readlines()
f.close()
rows = len(originalData)
index = 0
labelVec = []
multiArray = zeros((rows, dim))
for line in originalData:
line = line.strip()
lineElems = line.split('\t')
multiArray[index, :] = lineElems[0:dim]
labelVec.append(int(lineElems[-1])) #without 'int', appended is str
index += 1
return multiArray, labelVec
注释1.1：第13行需要注意，必须加上int强制类型转换。由于一行各元素是用字符串切割的方法得到的，元素本身是字符串形式的。
注释1.2：其中函数 zeros((m,n))生成 m*n大小的数组，数组元素全为0；相似的有ones((m,n))
注意函数参数是元组，zeros(m,n)是错误的。
注释1.3：多维数组的元素操作，多维数组的元素操作：multiArray[index, :] ，取第index行的元素（该元素仍是个数组）。
NumPy也允许你使用“点”像b[i,...]。 点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴)，那么: x[1,2,…] 等同于 x[1,2,:,:,:], x[…,3] 等同于 x[:,:,:,:,3] x[4,…,5,:] 等同 x[4,:,:,5,:]
2.2.2 分类模型
定义KNN分类函数：
参数inX 表示输入的待分类样本点特征， dataSet是已经标注好的样本点特征集合， labelVec是标注的类别标签， k表示取多少个近邻。
def knn_classify(inX, dataSet, labelVec, k):
sampleCnt = dataSet.shape[0]
expandX = tile(inX, (sampleCnt, 1))
diffArray = expandX - dataSet
sqArray = diffArray ** 2
sumArray = sqArray.sum(axis = 1)
distArray = sumArray ** 0.5
sortedIndices = distArray.argsort()
labelCnt = {}
for i in range(k):
label = labelVec[sortedIndices[i]]
labelCnt[label] = labelCnt.get(label, 0) + 1
sortedLabelCnt = sorted(labelCnt.iteritems(), key = operator.itemgetter(1), reverse=True)
return sortedLabelCnt[0][0]
注2.1：tile函数的作用是对数组进行扩展，tile(a, (x,y))，将a横向复制y次，再纵向复制x次，使原数组的元素个数扩大到x*y倍
注2.2：array的shape成员变量，值是tuple，反应了数组的结构（各维的大小）
注2.3：sqArray.sum()， 不指定参数时，以每一个元素为单元，计算总和；指定axis，当axis=0时，按竖方向（以行为单元）求和；axis=1时，按横方向（以列为单元）求和。
相似的有 array.min()， array.max()函数
注2.4：array.argsort()，对数组本身不做排序，排序的结果是数组下标的集合
注2.5：sorted()函数对字典进行排序，必要的参数是字典的迭代项 dict.iteritems()， key指定排序的依据。
这个函数是典型的科学计算思维，有些地方和面向对象思维相悖：比如，样本点的特征和标注类别，没有放在一个类里，而是分成一个array和list，靠下标联系。这样做的主要原因是：为了更好的应用python科学计算中的数组操作。
当有一个目标样本点inX输入时，调用该函数可以得到结果。
dataSet, labelVec = read_data(dataFile, dim) l = knn_classify((0.3,0.4,0.5), dataSet, labelVec, 5)
2.2.3 效果检验
交叉验证KNN模型在测试集（测试集下载地址）上的效果：
def cross_validate(crossTimes, dataFile, dim, k):
dataSet, labelVec = read_data(dataFile, dim)
dataSet, mins, ranges = autoNorm(dataSet)
sampleCnt = dataSet.shape[0]
testSetCnt = sampleCnt / crossTimes
errorCnt = 0
for i in range(crossTimes):
testSet = dataSet[i * testSetCnt : i * testSetCnt + testSetCnt]
trainSet = zeros((sampleCnt - testSetCnt, dim))
testLabelVec = labelVec[i * testSetCnt : i * testSetCnt + testSetCnt]
trainLabelVec = labelVec[:i * testSetCnt] + labelVec[i * testSetCnt + testSetCnt:]
trainSet[0: i * testSetCnt, :] = dataSet[0: i * testSetCnt, :]
trainSet[i * testSetCnt:] = dataSet[i * testSetCnt + testSetCnt:]
t = array(list(dataSet[0: i * testSetCnt, :]) + list(dataSet[i * testSetCnt + testSetCnt:]))
print t == trainSet
for j in range(testSetCnt):
l = knn_classify(testSet[j], trainSet, trainLabelVec, k)
if l != testLabelVec[j]:
print "estimated:%d, real:%d" % (l, testLabelVec[j])
errorCnt += 1
print "precision:%f" % ((sampleCnt - errorCnt * 1.0) / sampleCnt)
注3.1：上面的函数中， trainSet是由dataSet分割后再组合而成，将两个数组组合到一起，可以通过强制转换array为list，再回转成array来做：
def mergeArray(array1, array2):
merged = array(list(array1) + list(array2))
return merged
用以下方式调用交叉验证函数时(9次交叉验证，K取值5）：
cross_validate(9, r"knn_data.txt", 3, 5)
发现准确率只有 0.785000
2.2.4 效果改进
观察数据发现，各维特征的大小很大均衡，归一化能有效减小各维尺度差异带来的问题：
def autoNorm(dataSet):
minVals = dataSet.min(0)
maxVals = dataSet.max(0)
ranges = maxVals - minVals
sampleCnt = dataSet.shape[0]
expandMinus = tile(minVals, (sampleCnt, 1))
expandDivider = tile(ranges, (sampleCnt, 1))
normDataSet = (dataSet - expandMinus) / expandDivider
return normDataSet, minVals, ranges
在交叉验证函数中，加入归一化：
def cross_validate(crossTimes, dataFile, dim, k):
dataSet, labelVec = read_data(dataFile, dim)
dataSet, mins, ranges = autoNorm(dataSet)
sampleCnt = dataSet.shape[0]
testSetCnt = sampleCnt / crossTimes
errorCnt = 0
for i in range(crossTimes):
testSet = dataSet[i * testSetCnt : i * testSetCnt + testSetCnt]
trainSet = zeros((sampleCnt - testSetCnt, dim))
testLabelVec = labelVec[i * testSetCnt : i * testSetCnt + testSetCnt]
trainLabelVec = labelVec[:i * testSetCnt] + labelVec[i * testSetCnt + testSetCnt:]
trainSet[0: i * testSetCnt, :] = dataSet[0: i * testSetCnt, :]
trainSet[i * testSetCnt:] = dataSet[i * testSetCnt + testSetCnt:]
t = array(list(dataSet[0: i * testSetCnt, :]) + list(dataSet[i * testSetCnt + testSetCnt:]))
print t == trainSet
for j in range(testSetCnt):
l = knn_classify(testSet[j], trainSet, trainLabelVec, k)
if l != testLabelVec[j]:
print "estimated:%d, real:%d" % (l, testLabelVec[j])
errorCnt += 1
print "precision:%f" % ((sampleCnt - errorCnt * 1.0) / sampleCnt)
结果准确率达到了：
precision:0.952000
