机器学习实战--k近邻算法改进约会网站的配对效果

待我称王封你为后i 2023-07-19 08:24 4阅读 0赞

## 声明 ##

本文参考了《机器学习实战》书中代码，结合该书讲解，并加之自己的理解和阐述

### **机器学习实战系列博文** ###

*  [机器学习实战--k近邻算法改进约会网站的配对效果][--k]
 *  [机器学习实战--决策树的构建、画图与实例：预测隐形眼镜类型][--]
 *  [机器学习实战--朴素贝叶斯算法应用及实例：利用贝叶斯分类器过滤垃圾邮件][-- 1]
 *  [机器学习实战--Logistic回归与实例：从疝病症预测病马的死亡率][--Logistic]

## 问题描述 ##

朋友海伦一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选，但她并不是喜欢每一个人。经过一番总结，她发现曾交往过三种类型的人：

*  不喜欢的人
 *  魅力一般的人
 *   极具魅力的人

为了让软件更好的给海伦推荐人选，海伦收集很多约会数据，她把这些数据存放在文本文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。海伦的样本主要包含以下3种特征：

*  每年获得的飞行常客里程数
 *  玩视频游戏所耗时间百分比
 *  每周消费的冰淇淋公升数

接下来的任务就是判定一个人对海伦来说是否有魅力

## K近邻算法 ##

该算法就是在一堆数据中找到与当前点最相似的K个点，然后由这K个点决定当前点属于哪一类，对未知类别属性的数据集中的每个点依次执行以下操作：

1.  计算已知类别数据集中的点与当前点之间的距离；
2.  按照距离递增次序排序；
3.  选取与当前点距离最小的k个点；
4.  确定前k个点所在类别的出现频率；
5.  返回前k个点出现频率最高的类别作为当前点的预测分类。

**代码实现**

def classify0(inX,dataSet,labels,k):
        dataSetSize = dataSet.shape[0]
        #当前点与数据集做差
        diffMat = tile(inX,(dataSetSize,1))-dataSet
        # 求距离
        sqDiffMat = diffMat**2
        sqDistances = sqDiffMat.sum(axis=1)
        distances = sqDistances**0.5
        sortedDistIndices = distances.argsort()
        classCount = {}
        #选取最近的K个点
        for i in range(k):
            voteIlabel = labels[sortedDistIndices[i]]
            classCount[voteIlabel] = classCount.get(voteIlabel,0)+1
        sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
        #返回相似度最高的标签
        return sortedClassCount[0][0]

## 优化约会网站 ##

首先要读取海伦收集到的信息

def file2matrix(filename):
        fr = open(filename)
        arrayOLines = fr.readlines()
        numberOfLines = len(arrayOLines)
        returnMat = zeros((numberOfLines,3))
        classLabelVector = []
        index = 0
        for line in arrayOLines:
            line = line.strip()
            listFromLine = line.split('\t')
            returnMat[index,:] = listFromLine[0:3]
            classLabelVector.append(int(listFromLine[-1]))
            index += 1
        return returnMat,classLabelVector

然后我们会可视化的看一下三个维度的关系

returnMat,classLabelVector = file2matrix("datingTestSet.txt")
    fig = plt.figure()
    ax = fig.add_subplot(111)
    #第1维与第2维
    ax.scatter(returnMat[:,1],returnMat[:,2],15.0*array(classLabelVector),15.0*array(classLabelVector))
    plt.show()

然后会看到下图所示的图像，很明显竖直上没有区分信息，水平上有，那说明第一维信息有可能是有区分度的

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNjg1MjY1_size_16_color_FFFFFF_t_70][]

再看一下第0维和第1维的图像如下，发现区分情况较好

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNjg1MjY1_size_16_color_FFFFFF_t_70 1][]

当然我们还可以再看一看第0维和第2维的

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNjg1MjY1_size_16_color_FFFFFF_t_70 2][]

所以从图像上边也可以看出来，第2维的区分度确实很小，当然这些判断只是我们人为做出的数据分析，其实实际算法是可以不考虑这些的，因为不相干的信息并不影响最后结果。

**下边要对数据做出归一化**

def autoNorm(dataSet):
        minVals = dataSet.min(0)
        maxVals = dataSet.max(0)
        ranges = maxVals-minVals
        normDataSet = zeros(shape(dataSet))
        m = dataSet.shape[0]
        normDataSet = dataSet-tile(minVals,(m,1))
        normDataSet = normDataSet/tile(ranges,(m,1))
        return normDataSet,ranges,minVals

**然后进行验证**

def datingClassTest():
        hoRatio = 0.10
        datingDataMat,datingLabels = file2matrix("datingTestSet.txt")
        normMat,ranges,minVals = autoNorm(datingDataMat)
        m = normMat.shape[0]
        #选取前numTestVecs做测试，训练集就是numTestVecs+1到最后的数据
        numTestVecs = int(m*hoRatio)
        errorCount = 0.0
        for i in range(numTestVecs):
            classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],
                                         datingLabels[numTestVecs:m],7)
            print("The classifier came back with %d,the real answer is: %d"
                  %(classifierResult,datingLabels[i]))
            if(classifierResult!=datingLabels[i]):errorCount += 1.0
        print("The total error rate is：%f"%(errorCount/float(numTestVecs)))

## 结果展示 ##

![20200330124432858.png][]

这里k=7，原文中使用k=3失误率只有2.4%，而我发现只有当k取7时错误率最低只能降到4%

[--k]: https://blog.csdn.net/qq_41685265/article/details/105196240
[--]: https://blog.csdn.net/qq_41685265/article/details/105227289
[-- 1]: https://blog.csdn.net/qq_41685265/article/details/105317607
[--Logistic]: https://blog.csdn.net/qq_41685265/article/details/105354503
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNjg1MjY1_size_16_color_FFFFFF_t_70]: /images/20230528/65418f7375df4a0fad74629d7cf9dd87.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNjg1MjY1_size_16_color_FFFFFF_t_70 1]: /images/20230528/efa00b9ff3734004a6220a63d1a7f922.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNjg1MjY1_size_16_color_FFFFFF_t_70 2]: /images/20230528/75c341828cf04633bf93bd303b468f56.png
[20200330124432858.png]: /images/20230528/19bd8e0395084bcfbc7e561f85ddd9dc.png