使用K近邻算法改进约会网站的配对效果

1 定义数据集导入函数

import numpy as np
"""
函数说明：打开并解析文件，对数据进行分类：1 代表不喜欢，2 代表魅力一般，3 代表极具魅力

Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""
def file2matrix(filename):
    # 打开文件
    fr = open(filename)
    # 读取文件所有内容
    array0Lines = fr.readlines()
    # 得到文件行数
    number0fLines = len(array0Lines)
    # 返回一个NumPy矩阵，解析完成的数据：number0fLines行，3列
    returnMat = np.zeros((number0fLines, 3))
    # 返回的分类标签向量
    classLabelVector = []
    # 行的索引值
    index  = 0
    for line in array0Lines:
        # s.strip(rm), 当rm空时，默认删除空白符（包括'\n', '\r', '\t', ' '），去除的首部和尾部的空白符
        line = line.strip()
        # 使用s.strip(str = "", num = string, cout(str))将字符串根据 '\t' 分隔符进行切片
        listFromLine = line.split('\t')
        # 将数据前三列提取出来，存放到returnMat的NumPy矩阵中，也就是特征矩阵
        returnMat[index, :] = listFromLine[0:3]
        # 根据文本中标记的喜欢的程度进行分类，1 代表不喜欢，2 代表魅力一般，3 代表极具魅力
        if listFromLine[-1] == "":
            classLabelVector.append(1)
        elif listFromLine[-1] == "":
            classLabelVector.append(2)
        elif listFromLine[-1] == "":
            classLabelVector.append(3)
        index += 1
    # 返回特征矩阵和标签向量
    return returnMat, classLabelVector

"""
函数说明:main函数

Parameters:
    无
Returns:
    无
"""
if __name__ == '__main__':
    # 打开的文件名
    filename = 'datingTestSet2.txt'
    # 打开并处理数据
    datingDataMat, datingLabels = file2matrix(filename)
    # 打印
    print(datingDataMat)
    print(datingLabels)

2 分析数据：数据可视化

import matplotlib
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(datingDataMat[:, 0], datingDataMat[:, 1], 15.0*np.array(datingLabels), 15.0*np.array(datingLabels))
plt.show()

3 数据归一化

import numpy as np
"""
函数说明:对数据进行归一化

Parameters:
    dataSet - 特征矩阵
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值
"""
def autoNorm(dataSet):
    # 获得数据的最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    # 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

if __name__ == '__main__':
    normDataSet, ranges, minVals = autoNorm(datingDataMat)
    print(normDataSet)
    print(ranges)
    print(minVals)

4 定义K近邻算法

import numpy as np
import operator

"""
函数说明:kNN算法,分类器

Parameters:
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果
"""
def classify0(inX, dataSet, labels, k):
    # 获取dataSet(训练集)的行数，即有多少个样本
    dataSetSize = dataSet.shape[0]
    # 将inX纵向重复dataSetSize次，横向重复1次，得到的diffMat矩阵规格与dataSet一致
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
    # 二维特征相减之后求平方。（注：参考求两点间的距离公式）
    sqDiffMat = diffMat ** 2
    # 接下俩进行求和，将sqDiffMat[0] + sqDiffMat[1]，可以使用sum(axis = 1)来完成
    sqDistance = sqDiffMat.sum(axis = 1)
    # 开方，计算出距离
    distances = sqDistance ** 0.5
    # 返回distance中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    # 定义一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        # 首先取出前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
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    # Python 字典 items() 方法以列表返回可遍历的(键, 值) 元组数组
    # 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]

5 测试分类器

"""
函数说明:分类器测试函数

Parameters:
    无
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值
"""
def datingClassTest():
    # 打开的文件名
    filename = 'datingTestSet2.txt'
    # 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做为测试集
    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
    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个数作为测试集，后m - numTestVecs个数作为训练集
        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__':
    datingClassTest()

6 使用算法构建完整可用系统

"""
函数说明:通过输入一个人的三维特征,进行分类输出

Parameters:
    无
Returns:
    无
"""
def classifyPerson():
    # 输出结果
    resultList = ['讨厌', '有些喜欢', '非常喜欢']
    # 三维特征用户输入
    precentTats = float(input("玩视频游戏所耗时间百分比："))
    ffMiles = float(input("每年获得的飞行常客里程数："))
    iceCream = float(input("每周消费的冰淇淋公升数："))
    # 打开的文件名
    filename = 'datingTestSet2.txt'
    # 打开并处理数据
    datingDataMat, datingLabels = file2matrix(filename)
    # 训练集归一化
    normMat, ranges, minVals = autoNorm(datingDataMat)
    # 生成Numpy数组，测试集
    inArr = np.array([ffMiles, precentTats, iceCream])
    # 测试集归一化
    norminArr = (inArr - minVals) / ranges
    # 返回分类结果
    classifierResult = classify0(norminArr, normMat, datingLabels, 3)
    # 打印结果
    print("你可能%s这个人" % (resultList[classifierResult - 1]))

if __name__ == "__main__":
    classifyPerson()

数据集链接：

链接：https://pan.baidu.com/s/12rbDWeFPzyPuR-Xc0Tjc9A
提取码：1ilc

 参考：

1、《机器学习实战》书籍

2、https://cuijiahua.com/blog/2017/11/ml_1_knn.html

3、深度之眼机器学习实战训练营课后作业（http://www.deepshare.net/）