实验二 K-近邻算法及应用

2021/5/19 1:27:06

本文主要是介绍实验二 K-近邻算法及应用,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

班级 机器学习实验-计算机18级
实验内容 K-近邻算法及应用
姓名 程王宇
学号 3180701339

【实验目的】

1、理解K-近邻算法原理,能实现算法K近邻算法;
2、掌握常见的距离度量方法;
3、掌握K近邻树实现算法;
4、针对特定应用场景及数据,能应用K近邻解决实际问题。

【实验内容】

1、实现曼哈顿距离、欧氏距离、闵式距离算法,并测试算法正确性。
2、实现K近邻树算法;
3、针对iris数据集,应用sklearn的K近邻算法进行类别预测。
4、针对iris数据集,编制程序使用K近邻树进行类别预测。

【实验报告要求】

1、对照实验内容,撰写实验过程、算法及测试结果;
2、代码规范化:命名规则、注释;
3、分析核心算法的复杂度;
4、查阅文献,讨论K近邻的优缺点;
5、举例说明K近邻的应用场景。

实验结果

实验代码

1、

import math   #导入math模块,就可以用模块里面的数学运算的函数
from itertools import combinations 

2、

def L(x, y, p=2):
    # 两个实例二维特征 x1 = [1, 1], x2 = [5,1]
    if len(x) == len(y) and len(x) > 1: # 当两个特征的维数相等时,并且维度大于1时。
        sum = 0
        for i in range(len(x)):# 用range函数来遍历x所有的维度,x与y的维度相等。
            sum += math.pow(abs(x[i] - y[i]), p)
        return math.pow(sum, 1/p)
    else:
        return 0

3、

x1 = [1, 1]
x2 = [5, 1]
x3 = [4, 4]

4、

# x1, x2
for i in range(1, 5):
    r = { '1-{}'.format(c):L(x1, c, p=i) for c in [x2, x3]}
    # 一条语句循环两次x2、x3,当x2时,当前i产生一个值,当x3时,当前i产生一个值。
    print(min(zip(r.values(), r.keys())))

5、

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from collections import Counter

6、

iris = load_iris()#导入库中的数据集
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['label'] = iris.target#定义实验中包含的鸢尾花的特征属性及其对应标签
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
# data = np.array(df.iloc[:100, [0, 1, -1]])

7、

df#查看数据集的内容

8、

plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

9、

data = np.array(df.iloc[:100, [0, 1, -1]])
X, y = data[:,:-1], data[:,-1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

10、

class KNN:
    def __init__(self, X_train, y_train, n_neighbors=3, p=2):
        """
        parameter: n_neighbors 临*点个数
        parameter: p 距离度量
        """
        self.n = n_neighbors
        self.p = p
        self.X_train = X_train
        self.y_train = y_train
        
    def predict(self, X):
        # 取出n个点
        knn_list = []
        for i in range(self.n):
            dist = np.linalg.norm(X - self.X_train[i], ord=self.p)
            #np.linalg.norm函数
            #np.linalg.norm(x, ord=None, axis=None, keepdims=False)
            #① x: 表示矩阵(也可以是一维)
            #② ord:范数类型
            knn_list.append((dist, self.y_train[i]))
        
        for i in range(self.n, len(self.X_train)):# 取从第三个开始往后测试集的所有点。
            max_index = knn_list.index(max(knn_list, key=lambda x: x[0]))
            # 首先max函数里面选取出  knn_list 里面最大的距离数据
            # 然后取出它的索引存在 max_index
            dist = np.linalg.norm(X - self.X_train[i], ord=self.p)
            # 继续计算待分类点与其他训练集数据的欧式距离
            if knn_list[max_index][0] > dist:
                knn_list[max_index] = (dist, self.y_train[i])
                # 每次循环迭代knn_list的数据 目标是找到距离小的点        
        # 统计
        knn = [k[-1] for k in knn_list]
        # 解析列表 把对应的类别放入新的列表
        count_pairs = Counter(knn)
        #  Counter类的目的是用来跟踪值出现的次数。它是一个无序的容器类型,以字典的键值对形式存储,其中元素作为key
        max_count = sorted(count_pairs, key=lambda x:x)[-1]
        #Lambda()函数
        #a = lambda x,y,z:(x+8)*y-z
        #print(a(5,6,8))
        return max_count
        # 最后进行排序 得出出现次数最多的那个类别 作为最终的分类结果。     
    def score(self, X_test, y_test):
        right_count = 0
        # 分类正确的次数 初始为 0
        n = 10
        for X, y in zip(X_test, y_test):
            label = self.predict(X)
            # print("预测类别为:{}".format(label))
            # print("实际类别为: {}".format(y))
            # print("")
            if label == y:
                right_count += 1
        return right_count / len(X_test) # 返回最终分类结果表现 正确次数/测试数据集总数。

11、

clf = KNN(X_train, y_train)

12、

clf.score(X_test, y_test)

13、

test_point = [6.0, 3.0]
print('Test Point: {}'.format(clf.predict(test_point)))

14、

plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.plot(test_point[0], test_point[1], 'bo', label='test_point')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

15、

from sklearn.neighbors import KNeighborsClassifier

16、

clf_sk = KNeighborsClassifier()
clf_sk.fit(X_train, y_train)

17、

clf_sk.score(X_test, y_test)

18、

# kd-tree每个结点中主要包含的数据结构如下
class KdNode(object):
def __init__(self, dom_elt, split, left, right):
self.dom_elt = dom_elt # k维向量节点(k维空间中的一个样本点)
self.split = split # 整数(进行分割维度的序号)
self.left = left # 该结点分割超平面左子空间构成的kd-tree
self.right = right # 该结点分割超平面右子空间构成的kd-tree
class KdTree(object):
def __init__(self, data):
k = len(data[0]) # 数据维度
def CreateNode(split, data_set): # 按第split维划分数据集exset创建KdNode
if not data_set: # 数据集为空
return None
# key参数的值为一个函数,此函数只有一个参数且返回一个值用来进行比较
# operator模块提供的itemgetter函数用于获取对象的哪些维的数据,参数为需要获取的数据在对象
#data_set.sort(key=itemgetter(split)) # 按要进行分割的那一维数据排序
data_set.sort(key=lambda x: x[split])
split_pos = len(data_set) // 2 # //为Python中的整数除法
median = data_set[split_pos] # 中位数分割点
split_next = (split + 1) % k # cycle coordinates
# 递归的创建kd树
return KdNode(median, split,
CreateNode(split_next, data_set[:split_pos]), # 创建左子树
CreateNode(split_next, data_set[split_pos + 1:])) # 创建右子树
self.root = CreateNode(0, data) # 从第0维分量开始构建kd树,返回根节点
# KDTree的前序遍历
def preorder(root):
print (root.dom_elt)
if root.left: # 节点不为空
preorder(root.left)
if root.right:
preorder(root.right)

19、

# 对构建好的kd树进行搜索,寻找与目标点最近的样本点:
from math import sqrt
from collections import namedtuple
# 定义一个namedtuple,分别存放最近坐标点、最近距离和访问过的节点数
result = namedtuple("Result_tuple", "nearest_point nearest_dist nodes_visited")
def find_nearest(tree, point):
k = len(point) # 数据维度
def travel(kd_node, target, max_dist):
if kd_node is None:
return result([0] * k, float("inf"), 0) # python中用float("inf")和float("-inf")表示正负
nodes_visited = 1
s = kd_node.split # 进行分割的维度
pivot = kd_node.dom_elt # 进行分割的“轴”
if target[s] <= pivot[s]: # 如果目标点第s维小于分割轴的对应值(目标离左子树更近)
nearer_node = kd_node.left # 下一个访问节点为左子树根节点
further_node = kd_node.right # 同时记录下右子树
else: # 目标离右子树更近
nearer_node = kd_node.right # 下一个访问节点为右子树根节点
further_node = kd_node.left
temp1 = travel(nearer_node, target, max_dist) # 进行遍历找到包含目标点的区域
nearest = temp1.nearest_point # 以此叶结点作为“当前最近点”
dist = temp1.nearest_dist # 更新最近距离
nodes_visited += temp1.nodes_visited
if dist < max_dist:
max_dist = dist # 最近点将在以目标点为球心,max_dist为半径的超球体内
temp_dist = abs(pivot[s] - target[s]) # 第s维上目标点与分割超平面的距离
if max_dist < temp_dist: # 判断超球体是否与超平面相交
return result(nearest, dist, nodes_visited) # 不相交则可以直接返回,不用继续判断
# 计算目标点与分割点的欧氏距离
temp_dist = sqrt(sum((p1 - p2) ** 2 for p1, p2 in zip(pivot, target)))
if temp_dist < dist: # 如果“更近”
nearest = pivot # 更新最近点
dist = temp_dist # 更新最近距离
max_dist = dist # 更新超球体半径
# 检查另一个子结点对应的区域是否有更近的点
temp2 = travel(further_node, target, max_dist)
nodes_visited += temp2.nodes_visited
if temp2.nearest_dist < dist: # 如果另一个子结点内存在更近距离
nearest = temp2.nearest_point # 更新最近点
dist = temp2.nearest_dist # 更新最近距离
return result(nearest, dist, nodes_visited)
return travel(tree.root, point, float("inf")) # 从根节点开始递归

20、

data = [[2,3],[5,4],[9,6],[4,7],[8,1],[7,2]]
kd = KdTree(data)
preorder(kd.root)

21、

from time import clock
from random import random
# 产生一个k维随机向量,每维分量值在0~1之间
def random_point(k):
return [random() for _ in range(k)]
# 产生n个k维随机向量
def random_points(k, n):
return [random_point(k) for _ in range(n)]

22、

ret = find_nearest(kd, [3,4.5])
print (ret)

23、

N = 400000
t0 = clock()
kd2 = KdTree(random_points(3, N)) # 构建包含四十万个3维空间样本点的kd树
ret2 = find_nearest(kd2, [0.1,0.5,0.8]) # 四十万个样本点中寻找离目标最近的点
t1 = clock()
print ("time: ",t1-t0, "s")
print (ret2)

实验截图

1、

2、

3、

4、

5、

6、

7、

8、

9、

10

11、

12、

13、

14、

15、

16、

17、

18、

19、

20、

21、

22、

23、

24、

讨论K*邻算法的优缺点

优点
1.简单易用
2.没有显式的训练过程,在训练过程中仅仅是把训练样本保存起来,训练时间开销为0,是懒惰学*(lazy learning) 的著名代表 。
3.预测效果好
4.对异常值不敏感
缺点
1、效率低下
2、高度数据相关
3、预测的结果不具有可解释性

K*邻算法常见的应用场景:

1、python中的文本自动分类
2、社交网站的数据分类
3、手写识别系统的数据分类
4、聚类分析,多分类领域

实验小结

通过这次实验,主要理解K-近邻算法原理,基本实现算法K近邻算法。可以看出K值的选择会对K近邻算法的结果会产生重大影响。其次就是掌握常见的距离度量方法,在度量算法中,主要理解曼哈顿距离、欧氏距离、闵式距离算法。实验发现,K近邻算法一般选择k个最相似数据中出现次数最多的分类,作为新数据的分类。



这篇关于实验二 K-近邻算法及应用的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程