KNN算法项目实战——改进约会网站的配对效果

KNN项目实战——改进约会网站的配对效果

1、项目背景：

海伦女士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，她发现自己交往过的人可以进行如下分类：

不喜欢的人
魅力一般的人
极具魅力的人

2、项目数据

海伦收集约会数据已经有了一段时间，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。

datingTestSet.txt数据集下载

海伦收集的样本数据主要包含以下3种特征：

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

数据格式如下：

3、K-近邻算法的一般流程

（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）测试算法：使用文本文件的部分数据作为测试样本，计算错误率。

（5）使用算法：错误率在可接受范围内，就可以运行k-近邻算法进行分类。

4、项目步骤及代码实现

  1 #-*- coding:utf-8 -*-
  2 
  3 import matplotlib.lines as mlines
  4 import matplotlib.pyplot as plt
  5 import numpy as np
  6 import matplotlib as mpl
  7 import operator
  8 
  9 '''
 10 #准备数据，从文本文件中解析数据
 11 '''
 12 def file2matrix(filename):
 13     #打开文件
 14     with open(filename,'r') as fr:
 15         # 读取文件所有内容
 16         arrayOLines = fr.readlines()
 17         # 得到文件行数
 18         numberOfLines = len(arrayOLines)
 19         # 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
 20         returnMat = np.zeros((numberOfLines, 3))
 21         # 返回的分类标签向量
 22         classLabelVector = []
 23         # 行的索引值
 24         index = 0
 25         for line in arrayOLines:
 26             # s.strip(rm)，当rm空时,默认删除空白符(包括'
','
','	',' ')
 27             line = line.strip()
 28             # 使用s.split(str="",num=string,cout(str))将字符串根据'	'分隔符进行切片。
 29             listFromLine = line.split('	')
 30             # 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
 31             returnMat[index, :] = listFromLine[0:3]
 32             # 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
 33             if listFromLine[-1] == 'didntLike':
 34                 classLabelVector.append(1)
 35             elif listFromLine[-1] == 'smallDoses':
 36                 classLabelVector.append(2)
 37             elif listFromLine[-1] == 'largeDoses':
 38                 classLabelVector.append(3)
 39             index += 1
 40     return returnMat, classLabelVector
 41 
 42 
 43 
 44 '''
 45 #分析数据，数据可视化，使用Matplotlib创建散点图
 46 '''
 47 def showdatas(datingDataMat, datingLabels):
 48     #设置汉字格式
 49     # sans-serif就是无衬线字体，是一种通用字体族。
 50     # 常见的无衬线字体有 Trebuchet MS, Tahoma, Verdana, Arial, Helvetica, 中文的幼圆、隶书等等
 51     mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体 SimHei为黑体
 52     mpl.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
 53     #将fig画布分隔成2行2列,不共享x轴和y轴,fig画布的大小为(13,8)
 54     #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
 55     fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,9))
 56 
 57     LabelsColors = []
 58     for i in datingLabels:
 59         if i == 1:
 60             LabelsColors.append('black')
 61         if i == 2:
 62             LabelsColors.append('orange')
 63         if i == 3:
 64             LabelsColors.append('red')
 65 
 66     #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
 67     axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
 68     #设置标题,x轴label,y轴label
 69     axs0_title_text = axs[0][0].set_title('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')
 70     axs0_xlabel_text = axs[0][0].set_xlabel('每年获得的飞行常客里程数')
 71     axs0_ylabel_text = axs[0][0].set_ylabel('玩视频游戏所消耗时间占')
 72     plt.setp(axs0_title_text, size=12, weight='bold', color='red')
 73     plt.setp(axs0_xlabel_text, size=10, weight='bold', color='black')
 74     plt.setp(axs0_ylabel_text, size=10, weight='bold', color='black')
 75 
 76     #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
 77     axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
 78     #设置标题,x轴label,y轴label
 79     axs1_title_text = axs[0][1].set_title('每年获得的飞行常客里程数与每周消费的冰激淋公升数',)
 80     axs1_xlabel_text = axs[0][1].set_xlabel('每年获得的飞行常客里程数')
 81     axs1_ylabel_text = axs[0][1].set_ylabel('每周消费的冰激淋公升数')
 82     plt.setp(axs1_title_text, size=12, weight='bold', color='red')
 83     plt.setp(axs1_xlabel_text, size=10, weight='bold', color='black')
 84     plt.setp(axs1_ylabel_text, size=10, weight='bold', color='black')
 85 
 86     #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
 87     axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
 88     #设置标题,x轴label,y轴label
 89     axs2_title_text = axs[1][0].set_title('玩视频游戏所消耗时间占比与每周消费的冰激淋公升数')
 90     axs2_xlabel_text = axs[1][0].set_xlabel('玩视频游戏所消耗时间占比')
 91     axs2_ylabel_text = axs[1][0].set_ylabel('每周消费的冰激淋公升数')
 92     plt.setp(axs2_title_text, size=12, weight='bold', color='red')
 93     plt.setp(axs2_xlabel_text, size=10, weight='bold', color='black')
 94     plt.setp(axs2_ylabel_text, size=10, weight='bold', color='black')
 95 
 96     #设置图例
 97     didntLike = mlines.Line2D([], [], color='black', marker='.', markersize=6, label='不喜欢')
 98     smallDoses = mlines.Line2D([], [], color='orange', marker='.',markersize=6, label='魅力一般')
 99     largeDoses = mlines.Line2D([], [], color='red', marker='.',markersize=6, label='极具魅力')
100     #添加图例
101     axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
102     axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
103     axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
104     #显示图片
105     plt.show()
106 
107 
108 
109 '''
110 #准备数据，数据归一化处理
111 '''
112 def autoNorm(dataSet):
113     #获得每列数据的最小值和最大值
114     minVals = dataSet.min(0)
115     maxVals = dataSet.max(0)
116     #最大值和最小值的范围
117     ranges = maxVals - minVals
118     #shape(dataSet)返回dataSet的矩阵行列数
119     #normDataSet = np.zeros(np.shape(dataSet))
120     #返回dataSet的行数
121     m = dataSet.shape[0]
122     #原始值减去最小值
123     normDataSet = dataSet - np.tile(minVals, (m, 1))
124     #除以最大和最小值的差,得到归一化数据
125     normDataSet = normDataSet / np.tile(ranges, (m, 1))
126     #返回归一化数据结果,数据范围,最小值
127     return normDataSet, ranges, minVals
128 
129 
130 
131 '''
132 KNN算法分类器 
133 #  inX - 用于分类的数据(测试集)
134 #  dataSet - 用于训练的数据(训练集)
135 #  labes - 训练数据的分类标签
136 #  k - kNN算法参数,选择距离最小的k个点
137 #  sortedClassCount[0][0] - 分类结果
138 '''
139 def classify0(inX, dataSet, labels, k):
140     #numpy函数shape[0]返回dataSet的行数
141     dataSetSize = dataSet.shape[0]
142     #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)
143     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
144     #二维特征相减后平方
145     sqDiffMat = diffMat**2
146     #sum()所有元素相加,sum(0)列相加,sum(1)行相加
147     sqDistances = sqDiffMat.sum(axis=1)
148     #开方,计算出距离
149     distances = sqDistances**0.5
150     #返回distances中元素从小到大排序后的索引值
151     sortedDistIndices = distances.argsort()
152     #定一个记录类别次数的字典
153     classCount = {}
154     for i in range(k):
155         #取出前k个元素的类别
156         voteIlabel = labels[sortedDistIndices[i]]
157         #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。
158         #计算类别次数
159         classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
160     #python3中用items()替换python2中的iteritems()
161     #key=operator.itemgetter(1)根据字典的值进行排序
162     #key=operator.itemgetter(0)根据字典的键进行排序
163     #reverse降序排序字典
164     sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
165     #返回次数最多的类别,即所要分类的类别
166     return sortedClassCount[0][0]
167 
168 
169 
170 '''
171 #测试算法，计算分类器的准确率，验证分类器
172 '''
173 def datingClassTest():
174     #打开的文件名
175     filename = "datingTestSet.txt"
176     #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
177     datingDataMat, datingLabels = file2matrix(filename)
178     #取所有数据的百分之十
179     hoRatio = 0.10
180     #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
181     normMat, ranges, minVals = autoNorm(datingDataMat)
182     #获得normMat的行数
183     m = normMat.shape[0]
184     #百分之十的测试数据的个数
185     numTestVecs = int(m * hoRatio)
186     #分类错误计数
187     errorCount = 0.0
188 
189     for i in range(numTestVecs):
190         #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
191         classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],datingLabels[numTestVecs:m], 4)
192         print("分类结果:%d	真实类别:%d" % (classifierResult, datingLabels[i]))
193         if classifierResult != datingLabels[i]:
194             errorCount += 1.0
195     print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))
196 
197 
198 
199 '''
200 #使用算法，构建完整可用系统
201 '''
202 def classifyPerson():
203     #输出结果
204     resultList = ['不喜欢','有些喜欢','非常喜欢']
205     #三维特征用户输入
206     ffMiles = float(input("每年获得的飞行常客里程数:"))
207     precentTats = float(input("玩视频游戏所耗时间百分比:"))
208     iceCream = float(input("每周消费的冰激淋公升数:"))
209     #打开的文件名
210     filename = "datingTestSet.txt"
211     #打开并处理数 据
212     datingDataMat, datingLabels = file2matrix(filename)
213     #训练集归一化
214     normMat, ranges, minVals = autoNorm(datingDataMat)
215     #生成NumPy数组,测试集
216     inArr = np.array([ffMiles,precentTats, iceCream])
217     #测试集归一化
218     norminArr = (inArr - minVals) / ranges
219     #返回分类结果
220     classifierResult = classify0(norminArr, normMat, datingLabels, 3)
221     #打印结果
222     print("你可能%s这个人" % (resultList[classifierResult-1]))
223 
224 
225 
226 '''
227 #主函数，测试以上各个步骤，并输出各个步骤的结果
228 '''
229 if __name__ == '__main__':
230     #打开的文件名
231     filename = "datingTestSet.txt"
232     #打开并处理数据
233     datingDataMat, datingLabels = file2matrix(filename)
234     #数据可视化
235     showdatas(datingDataMat, datingLabels)
236     #验证分类器
237     datingClassTest()
238     #使用分类器
239     classifyPerson()

5、项目结果

（1）数据可视化结果

（2）验证分类器计算错误率结果

（3）使用分类器根据输入数据获得预测结果