机器学习实战笔记——KNN约会网站

 '''
     机器学习实战——KNN约会网站优化
 '''

 import operator
 import numpy as np
 from numpy import *
 from matplotlib.font_manager import  FontProperties
 import matplotlib.lines as mlines
 import matplotlib.pyplot as plt

 # largeDoses ：极具魅力 ；smallDoses ：魅力一般 ；didntLike：不喜欢
 def str_3(str_i):
     if str_i=='largeDoses':
         return 3
     elif str_i=='smallDoses':
         return 2
     elif str_i=='didntLike':
         return 1
     else:
         return np.nan

 # 获取特征矩阵、label向量
 def file2matrix(filename):
     fr = open(filename,'r') #打开文件
     numberOfLines = len(fr.readlines())         # 获得文件的行数
     returnMat = zeros((numberOfLines,3))        # 创建一个空的特征矩阵
     classLabelVector = []                       # 分类label向量
     fr = open(filename,'r')
     index = 0 #行索引
     for line in fr.readlines():
         line = line.strip() # 为空是默认删除('\n','\r','\t',' ')
         listFromLine = line.split('\t') #读取的每行数据根据'\t'进行切片
         returnMat[index,:] = listFromLine[0:3] #提取对应行的前三行（特征列）存放入retunMat特征矩阵
         classLabelVector.append(str_3(listFromLine[-1])) #将每行的label转为数值后存入classLabelVector
         index += 1
     # 返回特征矩阵和分类label向量
     return returnMat,classLabelVector

 # 归一化
 def autoNorm(dataSet):
     #获得数据的最小值 按列寻找最大|最小值
     minVals = dataSet.min(0)
     maxVals = dataSet.max(0)
     # print('minVals:\n',minVals)
     # print('maxVals:\n',maxVals)
     #最大值和最小值的范围
     ranges = maxVals - minVals
     #shape(dataSet)返回dataSet的矩阵行列数
     normDataSet = np.zeros(np.shape(dataSet))
     #返回dataSet的行数
     m = dataSet.shape[0]
     #原始值减去最小值
     normDataSet = dataSet - np.tile(minVals, (m, 1))
     #除以最大和最小值的差,得到归一化数据
     normDataSet = normDataSet / np.tile(ranges, (m, 1))
     #返回归一化数据结果,数据范围,最小值
     return normDataSet, ranges, minVals

 # 画图
 def showdatas(datingDataMat, datingLabels):
     #设置汉字格式
     font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
     #将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
     #当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
     fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(13,8))

     numberOfLabels = len(datingLabels)
     LabelsColors = []
     for i in datingLabels:
         if i == 1:
             LabelsColors.append('black')
         if i == 2:
             LabelsColors.append('orange')
         if i == 3:
             LabelsColors.append('red')
     #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
     axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
     #设置标题,x轴label,y轴label
     axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比',FontProperties=font)
     axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)
     axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占',FontProperties=font)
     plt.setp(axs0_title_text, size=9, weight='bold', color='red')
     plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')
     plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')

     #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
     axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
     #设置标题,x轴label,y轴label
     axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数',FontProperties=font)
     axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)
     axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)
     plt.setp(axs1_title_text, size=9, weight='bold', color='red')
     plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')
     plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')

     #画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
     axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
     #设置标题,x轴label,y轴label
     axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数',FontProperties=font)
     axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比',FontProperties=font)
     axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)
     plt.setp(axs2_title_text, size=9, weight='bold', color='red')
     plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')
     plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')
     #设置图例
     didntLike = mlines.Line2D([], [], color='black', marker='.',
                       markersize=6, label='didntLike')
     smallDoses = mlines.Line2D([], [], color='orange', marker='.',
                       markersize=6, label='smallDoses')
     largeDoses = mlines.Line2D([], [], color='red', marker='.',
                       markersize=6, label='largeDoses')
     #添加图例
     axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
     axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
     axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
     #显示图片
     plt.show()

 # classify0(测试集特征，训练集特征，训练集label，4)
 def classify0(inX, dataSet, labels, k):
     # numpy函数shape[0]返回dataSet的行数  1000
     dataSetSize = dataSet.shape[0]
     # 在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)  将单个样本的维度扩展为和dataSet相同
     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
     # print(diffMat.shape) # (900,3)
     # 二维特征相减后平方
     sqDiffMat = diffMat ** 2
     # print(sqDiffMat.shape) # (900,3)
     # sum()所有元素相加,sum(0)列相加,sum(1)行相加   # 样本
     sqDistances = sqDiffMat.sum(axis=1)
     # print(sqDistances.shape) # (900,)
     # print(sqDistances)
     # 开方,计算出距离
     distances = sqDistances**0.5
     # 以上四步为欧氏距离计算公式

     # 返回distances中元素从小到大排序后的索引值  argsort()返回数字值从小到大的索引值列表
     sortedDistIndices = distances.argsort()
     # 定一个记录类别次数的字典
     classCount = {}
     for i in range(k):
         # 取出前k个元素的类别
         voteIlabel = labels[sortedDistIndices[i]]
         # dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
         # 计算类别次数 # get(返回此键的值，default) 返回指定键的值,如果此键不存在返回0
         classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
     # python3中用items()替换python2中的iteritems()
     # key=operator.itemgetter(1)根据字典的值进行排序
     # key=operator.itemgetter(0)根据字典的键进行排序
     # reverse降序排序字典
     sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
     # 返回次数最多的类别,即所要分类的类别
     return sortedClassCount[0][0]

 def datingClassTest(filename):
     # 打开的文件名
     filename = filename
     # 将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
     datingDataMat, datingLabels = file2matrix(filename)
     # 取所有数据的百分之十
     hoRatio = 0.10
     # 数据归一化,返回归一化后的矩阵,数据范围,数据最小值
     normMat, ranges, minVals = autoNorm(datingDataMat)
     # 获得normMat的行数 （特征矩阵）
     m = normMat.shape[0]
     # 百分之十的测试数据的个数
     numTestVecs = int(m * hoRatio)
     # 分类错误计数
     errorCount = 0.0

     for i in range(numTestVecs):
         # 前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
         classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],
             datingLabels[numTestVecs:m], 4)
         print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))
         if classifierResult != datingLabels[i]:
             errorCount += 1.0
     print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))

 if __name__ == '__main__':
     filename = '../data/datingTestSet.txt'
     # 接收返回的特征矩阵和分类label向量
     datingDataMat, datingLabels = file2matrix(filename)
     # print(datingDataMat,datingLabels)
     # showdatas(datingDataMat,datingLabels) # 调用此函数以画图
     datingClassTest(filename)

下次继续~~~