结果展示（Kmeans）：
完整代码下载地址：
https://download.csdn.net/download/shiyunzhe2021/88282609
python机器学习之 K-邻近算法
@简单的理解：[ 采用测量不同特征值之间的距离方法进行分类 ]
优点 ：精度高、对异常值不敏感、无数据输入假定
缺点 ：计算复杂度高，空间复杂度高；
适应数据范围 ：数值型、标称型；
文章目录
结果展示（Kmeans）：
python机器学习之 K-邻近算法
kNN简介
k-近邻算法的一般流程
python导入数据
python处理数据
处理步骤
决策树
@[toc]
计算给定数据集的信息熵
划分数据集
构建递归决策树
结果输出
结果分析
kNN简介
kNN 原理 ：存在一个样本数据集合，也称作训练集或者样本集，并且样本集中每个数据都存在标签，即样本集实际上是 每条数据 与 所属分类 的 对应关系。
核心思想 ：若输入的数据没有标签，则新数据的每个特征与样本集中数据对应的特征进行比较，该算法提取样本集中特征最相似数据（最近邻）的分类标签。
k ：选自最相似的k个数据，通常是不大于20的整数，最后选择这k个数据中出现次数最多的分类，作为新数据的分类。
k-近邻算法的一般流程
sequenceDiagram
1.收集数据：可以使用任何方法。
2.准备数据：距离计算所需的数值，最好是结构化的数据格式。
3.分析数据：可以使用任何方法。
4.训练算法：此不走不适用于k-近邻算法。
5.测试算法：计算错误率。
6.使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k-近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类之行后续的处理。
###example1
python导入数据
from numpy import *import operatordef createDataSet():group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])labels = ['A','A','B','B']return group,labels
python处理数据
#计算已知类别数据集中的点与当前点之间的距离（欧式距离）
#按照距离递增次序排序
#选取与当前点距离最小的K个点
#确定前K个点所在类别的出现频率
#返回前k个点出现频率最高的类别最为当前点的预测分类
#inX输入向量，训练集dataSet,标签向量labels，k表示用于选择最近邻的数目
def clissfy0(inX,dataSet,labels,k):dataSetSize = dataSet.shape[0]diffMat = tile(inX,(dataSetSize,1)) - dataSetsqDiffMat = diffMat ** 0.5sqDistances = sqDiffMat.sum(axis=1)distances = sqDistances ** 0.5sortedDistIndicies = distances.argsort()classCount = {}for i in range(k):voteLabel = labels[sortedDistIndicies[i]]= classCount.get(voteLabel,0) + 1sortedClassCount = sorted(classCount.iteritems(),key = operator.itemgetter(1),reverse = True)return sortedClassCount[0][0]
####python数据测试
import kNNfrom numpy import *dataSet,labels = createDataSet()testX = array([1.2,1.1])k = 3outputLabelX = classify0(testX,dataSet,labels,k)testY = array([0.1,0.3])outputLabelY = classify0(testY,dataSet,labels,k)print('input is :',testX,'output class is :',outputLabelX)print('input is :',testY,'output class is :',outputLabelY)
####python结果输出
('input is :', array([ 1.2, 1.1]), 'output class is :', 'A')('input is :', array([ 0.1, 0.3]), 'output class is :', 'B')
###example2使用k-近邻算法改进约会网站的配对效果
处理步骤
1.收集数据：提供文本文件
2.准备数据：使用python解析文本文件
3.分析数据:使用matplotlib画二维扩散图
4.训练算法：此步骤不适用与k－近邻算法
5.测试算法：使用提供的部份数据作为测试样本
6:使用算法：输入一些特征数据以判断对方是否为自己喜欢的类型
####python 整体实现
#coding:utf-8from numpy import *import operatorfrom kNN import classify0import matplotlib.pyplot as pltdef file2matrmix(filename):fr = open(filename)arrayLines = fr.readlines()numberOfLines = len(arrayLines)returnMat = zeros((numberOfLines,3))classLabelVector = []index = 0for line in arrayLines:line = line.strip()listFromLine = line.split('\t'):] = listFromLine[0:3]classLabelVector.append(int(listFromLine[-1]))index +=1return returnMat,classLabelVectordef autoNorm(dataSet):minVals = dataSet.min(0)maxVals = dataSet.max(0)ranges = maxVals - minValsnormDataSet = zeros(shape(dataSet))m = dataSet.shape[0]normDataSet = dataSet - tile(minVals,(m,1))normDataSet = normDataSet/tile(ranges,(m,1))return normDataSet,ranges,minValsdef datingClassTest():hoRatio = 0.10= file2matrmix('datingTestSet2.txt')= autoNorm(datingDataMat)m = normMat.shape[0]numTestVecs = int(m * hoRatio)errorCount = 0.0for i in range(numTestVecs):classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)classifier came back with: %d, the real answer is: %d' %(classifierResult,datingLabels[i]))if (classifierResult != datingLabels[i]):errorCount += 1.0total error rate is: %f' %(errorCount / float(numTestVecs)))def classifyPerson():resultList = ['not at all','in small doses','in large doses']percentTats = float(raw_input('percentage of time spent playing video games?'))ffMiles = float(raw_input('frequent flier miles earned per year?'))iceCream = float(raw_input('liters of ice cream consumed per year?'))= file2matrmix('datingTestSet2.txt')=autoNorm(datingDataMat)inArr = array([ffMiles,percentTats,iceCream])classifierResult = classify0((inArr - minVals) / ranges,normMat,datingLabels,3)will probably like this person:',resultList[classifierResult - 1])= file2matrmix('datingTestSet2.txt')classifyPerson()fig = plt.figure()ax = fig.add_subplot(111):,1],datingDataMat[:,2],15.0 * array(datingLabels),15.0 * array(datingLabels))plt.show()
###K-最近邻算法总结
k近邻算法是最简单有效的分类算法，必须全部保存全部数据集，如果训练数据集很大，必须使用大量的存储空间，同时由于必须对数据集中的每个数据计算距离值，实际使用可能非常耗时。
k近邻算法无法给出任何数据的基础结构信息，我们无法知晓平均实例样本和典型实例样本具有神秘特征。
决策树
###决策树简介
决策树 流程图正方形代表判断模块，椭圆形代表终止模块，从判断模块引出的左右箭头称作分支，它可以到达另一个判断模块活着终止模块。
决策树 [优点]:计算复杂度不高，输出结果易于理解，对于中间值的缺失不敏感，可以处理不相关特征数据。
决策树[缺点]:可能会产生过度匹配的问题。
决策树[适用数据类型]：数值型和标称型。
###决策树的一般流程
(1)收集数据：可以使用任何方法。
(2)准备数据：树构造算法只适用于标称型数据，因此数值型数据必须离散化。
(3)分析数据：可以使用任何方法，构造树完成之后，我们需要检验图形是否符合预期。
(4)训练算法：构造树的数据结构。
(5)测试算法：使用经验树计算错误率。
(6)使用算法：使用于任何监督学习算法。
###信息增益
划分数据集的最大原则:将无序的数据集变的有序。
判断数据集的有序程度:信息增益（熵），计算每个特征值划分数据集后获得的信息增益，获得信息增益最高的特征就是最好的选择。
信息增益[公式]:H = − ∑ i = 1 n p ( x i ) l o g 2 p ( x i )
其中n是分类的数目。
###python决策树
计算给定数据集的信息熵
from math import logdef calcShannonEnt(dataSet):numEntries = len(dataSet)labelCounts = {}for featVec in dataSet:currentLabel = featVec[-1]if currentLabel not in labelCounts.keys():labelCounts[currentLabel] = 0labelCounts[currentLabel] += 1shannonEnt = 0.0for key in labelCounts:prob = float(labelCounts[key]) / numEntriesshannonEnt -= prob * log(prob,2)return shannonEntdef createDataSet():dataSet = [[1,1,'yes'],[1,1,'yes'],[1,0,'no'],[0,1,'no'],[0,1,'no'],]labels = ['no surfacing','flippers']return dataSet,labelsmyDat,labels = createDataSet()print(myDat)print(labels)shannonEnt = calcShannonEnt(myDat)print(shannonEnt)划分数据集import dtreedef splitDataset(dataSet,axis,value):retDataSet = []for featVec in dataSet:if featVec[axis] == value:reducedFeatVec = featVec[:axis]reducedFeatVec.extend(featVec[axis+1:])retDataSet.append(reducedFeatVec)return retDataSetmyData,labels = dtree.createDataSet()print(myData)retDataSet = splitDataset(myData,0,1)print(retDataSet)retDataSet = splitDataset(myData,0,0)print(retDataSet)####选择最好的数据划分方式def chooseBestFeatureToSplit(dataSet):numFeatures = len(dataSet[0]) - 1baseEntropy = dtree.calcShannonEnt(dataSet)bestInfoGain = 0.0bestFeature = -1for i in range(numFeatures):featList = [example[i] for example in dataSet]uniqueVals = set(featList)newEntropy = 0.0for value in uniqueVals:subDataSet = splitDataset(dataSet,i,value)prob = len(subDataSet)/float(len(dataSet))newEntropy += prob * dtree.calcShannonEnt(subDataSet)infoGain = baseEntropy - newEntropyif(infoGain > bestInfoGain):bestInfoGain = infoGainbestFeature = ireturn bestFeaturemyData,labels = dtree.createDataSet()print('myData:',myData)bestFeature = chooseBestFeatureToSplit(myData)print('bestFeature:',bestFeature)
#####结果输出
('myData:', [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']])('bestFeature:', 0)
#####结果分析
运行结果表明第0个特征是最好用于划分数据集的特征，即数据集的的第一个参数，比如在该数据集中以第一个参数特征划分数据时，第一个分组中有3个，其中有一个被划分为no，第二个分组中全部属于no;当以第二个参数分组时，第一个分组中2个为yes,2个为no,第二个分类中只有一个no类。
###递归构建决策树
工作原理：得到原始数据集，然后基于最好的属性值划分数据集，由于特征值可能多于2个，因此可能存在大于2个分支的数据集划分，在第一次划分后，数据将被传向树分支的下一个节点，在这个节点上我们可以再次划分数据。
递归条件：程序遍历完所有划分数据集的属性，或者没个分支下的所有实例都具有相同的分类。
构建递归决策树
import dtreeimport operatordef majorityCnt(classList):classCount = {}for vote in classList:if vote not in classCount.keys():classCount[vote] = 0classCount[vote] +=1sortedClassCount = sorted(classCount.iteritems(),key = operator.itemgetter(1),reverse = True)return sortedClassCount[0][0]def createTree(dataSet,labels):classList = [example[-1] for example in dataSet]if classList.count(classList[0]) == len(classList):return classList[0]if len(dataSet[0]) == 1:return majorityCnt(classlist)bestFeat = chooseBestFeatureToSplit(dataSet)bestFeatLabel = labels[bestFeat]myTree = {bestFeatLabel:{}}del(labels[bestFeat])featValues = [example[bestFeat] for example in dataSet]uniqueVals = set(featValues)for value in uniqueVals:subLabels = labels[:]myTree[bestFeatLabel][value] = createTree(splitDataset(dataSet,bestFeat,value),subLabels)return myTreemyData,labels = dtree.createDataSet()print('myData:',myData)myTree = createTree(myData,labels)print('myTree:',myTree)
结果输出
('myData:', [[1, 1, 'yes'], [1, 1, 'yes'], [1, 0, 'no'], [0, 1, 'no'], [0, 1, 'no']])('myTree:', {'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}})
结果分析
myTree 包含了树结构信息的前套字典，第一个关键字no surfacing是第一个划分数据集的特征名称，值为另一个数据字典，第二个关键字是no surfacing特征划分的数据集，是no surfacing的字节点，如果值是类标签，那么该节点为叶子节点，如果值是另一个数据字典，那么该节点是个判断节点，如此递归。
###测试算法:使用决策树执行分类
####使用决策树的分类函数
import treeplotterimport dtreedef classify(inputTree,featLabels,testVec):firstStr = inputTree.keys()[0]secondDict = inputTree[firstStr]featIndex = featLabels.index(firstStr)for key in secondDict.keys():if testVec[featIndex] == key:if type(secondDict[key]).__name__=='dict':classLabel = classify(secondDict[key],featLabels,testVec)else:classLabel = secondDict[key]return classLabelmyDat,labels = dtree.createDataSet()print(labels)myTree = myTree = treeplotter.retrieveTree(0)print(myTree)print('classify(myTree,labels,[1,0]):',classify(myTree,labels,[1,0]))print('classify(myTree,labels,[1,1]):',classify(myTree,labels,[1,1]))
#####结果输出
['no surfacing', 'flippers']{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}, 3: 'maybe'}}('classify(myTree,labels,[1,0]):', 'no')('classify(myTree,labels,[1,1]):', 'yes')
####存储决策树
由于决策树的构造十分耗时，所以用创建好的决策树解决分类问题可以极大的提高效率。因此需要使用python模块pickle序列化对象，序列化对象可以在磁盘上保存对象，并在需要的地方读取出来，任何对象都可以执行序列化操作。
#使用pickle模块存储决策树
import pickledef storeTree(inputTree,filename):fw = open(filename,'w')pickle.dump(inputTree,fw)fw.close()def grabTree(filename):fr = open(filename)return pickle.load(fr)
###决策树算法小结
决策树分类器就像带有终止块的流程图，终止块表示分类结果。首先我们需要测量集合数据中的熵即不一致性，然后寻求最优方案划分数据集，直到数据集中的所有数据属于同一分类。决策树的构造算法有很多版本，本文中用到的是ID3 ，最流行的是C4.5和CART。
