機器學習之近鄰算法模型(KNN)

1.、導引

如何進行電影分類

眾所周知，電影可以按照題材分類，然而題材本身是如何定義的?由誰來判定某部電影屬於哪 個題材?也就是說同一題材的電影具有哪些公共特征?這些都是在進行電影分類時必須要考慮的問 題。沒有哪個電影人會說自己制作的電影和以前的某部電影類似，但我們確實知道每部電影在風格 上的確有可能會和同題材的電影相近。那么動作片具有哪些共有特征，使得動作片之間非常類似， 而與愛情片存在着明顯的差別呢？動作片中也會存在接吻鏡頭，愛情片中也會存在打斗場景，我們 不能單純依靠是否存在打斗或者親吻來判斷影片的類型。但是愛情片中的親吻鏡頭更多，動作片中 的打斗場景也更頻繁，基於此類場景在某部電影中出現的次數可以用來進行電影分類。

本章介紹第一個機器學習算法：K-近鄰算法，它非常有效而且易於掌握。

2.、k-近鄰算法原理

簡單地說，K-近鄰算法采用測量不同特征值之間的距離方法進行分類。

• 優點：精度高、對異常值不敏感、無數據輸入假定。
• 缺點：時間復雜度高、空間復雜度高。
• 適用數據范圍：數值型和標稱型。
  

工作原理

存在一個樣本數據集合，也稱作訓練樣本集，並且樣本集中每個數據都存在標簽，即我們知道樣本集中每一數據 與所屬分類的對應關系。輸人沒有標簽的新數據后，將新數據的每個特征與樣本集中數據對應的 特征進行比較，然后算法提取樣本集中特征最相似數據（最近鄰）的分類標簽。一般來說，我們 只選擇樣本數據集中前K個最相似的數據，這就是K-近鄰算法中K的出處,通常K是不大於20的整數。 最后 ，選擇K個最相似數據中出現次數最多的分類，作為新數據的分類。

回到前面電影分類的例子，使用K-近鄰算法分類愛情片和動作片。有人曾經統計過很多電影的打斗鏡頭和接吻鏡頭，下圖顯示了6部電影的打斗和接吻次數。假如有一部未看過的電影，如何確定它是愛情片還是動作片呢？我們可以使用K-近鄰算法來解決這個問題。

3.、在scikit-learn庫中使用k-近鄰算法

• 分類問題：from sklearn.neighbors import KNeighborsClassifier
• 回歸問題：from sklearn.neighbors import KNeighborsRegressor

0）一個最簡單的例子

身高、體重、鞋子尺碼數據對應性別

# 導入KNN 分類算法
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
# !!! 樣本中，男女比例應該1：1
data = np.array([[175,70,43],[180,75,44],[165,50,38],[163,48,37],[170,68,42],[168,52,40]])
target = np.array(['男','男','女','女','男','女'])
# 聲明算法
knn = KNeighborsClassifier(n_neighbors=5)
# 使用算法，進行學習，訓練
knn.fit(data,target)
# 使用算法，進行預測數據
data_predict = np.array([[188,90,46],[166,55,38],[169,65,41]])
knn.predict(data_predict)

1）用於分類

導包，機器學習的算法KNN、數據藍蝴蝶

# 使用KNN算法，對一種花，進行分類
# 數據源在sklearn中

import sklearn.datasets as datasets
# 使用datasets中的方法，導入數據
# data屬性：花萼長度，花萼寬度，花瓣長度，花瓣寬度
# 鳶尾花分三類 ：'target_names': array(['setosa', 'versicolor', 'virginica'], dtype='<U10')}
iris = datasets.load_iris()

data = iris['data']
target = iris['target']
# numpy 將數據打亂順序
# shuffle 隨機打亂順序，data ，target兩個都需要打亂順序
# 隨機種子，每次和每次都不同，所以，隨機數的時候，每次和每次都不同
# np.random.shuffle()
# np.random.seed(8)
# np.random.randint(0,150,size = 1)
# 只能使用一次
np.random.seed(11)
np.random.shuffle(data)
np.random.seed(11)
np.random.shuffle(target)
#訓練樣本
# 150個樣本，分成兩份，140個（訓練數據），10個（預測）

# 獲取了140個訓練數據
X_train = data[:140]
y_train = target[:140]

# 預測數據
X_test = data[140:]
y_test = target[140:] #真實答案

knn = KNeighborsClassifier(n_neighbors=5)

# 第一步，訓練
knn.fit(X_train,y_train)

# 第二步，預測
# 返回自己的“觀點”
# 一般情況下，機器學習返回結果 添加：_
y_ = knn.predict(X_test)

print('鳶尾花分類真實情況是：',y_test)

print('鳶尾花機器學習分類情況是： ',y_)

# 通過結果，看到，機器學習，將最后這10未知的數據，全部預測准確

# 計算算法的准確率
score = knn.score(X_test,y_test)
print('算法的准確率： ', score)

• 使用pandas數據類型進行操作

#機器學習的數據可以是numpy也可以是pandas

import pandas as pd
from pandas import Series,DataFrame

#先將訓練數據轉換為pandans類型數據
X_train_df = DataFrame(X_train,columns=['speal length','speal width','petal length','petal width'])
y_train_s = Series(y_train)

#將測試測試數據轉為pandas數據
X_test_df = DataFrame(X_test,columns=['speal length','speal width','petal length','petal width'])
y_test_s = Series(y_test)

knn = KNeighborsClassifier(10)
knn.fit(X_train_df,y_train_s)

y_ = knn.predict(X_test_df)
print(y_test_s.values)
print(y_)

• 訓練數字

4、KNN手寫數字識別

import numpy as np
# bmp 圖片后綴
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.neighbors import KNeighborsClassifier

digit = plt.imread('./data/3/3_200.bmp')
# 28 * 28 很小
# 首先將圖片放大顯示
plt.figure(figsize=(2,2))
plt.imshow(digit,cmap = 'gray')

• 批量獲取數據

# 批量獲取數據
data = []
target = []

for i in range(10):
    for j in range(1,501):
#         plt.imread('./data/3/3_200.bmp')
#         digit是二維的數組，黑白
        digit = plt.imread('./data/%d/%d_%d.bmp'%(i,i,j))
        data.append(digit)
        
#         目標值
        target.append(i)
# data 和target 5000個數據
len(data)

# 將機器學習的數據轉換成ndarry，操作起來比較方便
# ndarray 提供了很多方法
data = np.array(data)
target = np.array(target)

print(data.shape,target.shape)

#顯示正確值及圖片，僅供測試
index = np.random.randint(0,5000,size = 1)[0]

print('該索引所對應的目標值： ',target[index])

digit = data[index]
plt.figure(figsize=(2,2))
plt.imshow(digit,cmap = 'gray')

• 打亂數據，生成學習隊列

seed = np.random.randint(0,5000,size = 1)[0]

# 指明隨機數的種子，打亂順序
np.random.seed(seed)
np.random.shuffle(data)

# 指明的種子和上面的一樣，打亂順序的規則就和上面一樣
np.random.seed(seed)
np.random.shuffle(target)

# 驗證一下，順序是否匹配
index = np.random.randint(0,5000,size = 1)[0]

print('該索引所對應的目標值： ',target[index])

digit = data[index]
plt.figure(figsize=(2,2))
plt.imshow(digit,cmap = 'gray')

• 機器學習,分割數據

knn = KNeighborsClassifier(n_neighbors=20)
# 最后保留50個數據作為預測數據集
# 訓練數據
X_train,y_train = data[:4950],target[:4950]
# 測試數據
X_test,y_test = data[-50:],target[-50:]

• 因算法只能接受二維數據，故學習和預測的數據都需要轉化為二維數據

X_train = X_train.reshape((4950,784))

# 正着數像素784像素點，倒着數-1
X_test = X_test.reshape((50,-1))

• 訓練

# 第一步進行訓練
knn.fit(X_train,y_train)

• 預測

# 第二步，使用算法，進行預測
y_ = knn.predict(X_test)

print('真實數據：',y_test)
print('預測數據： ',y_)

• 將五十條數據畫出來

# 可視化，將50張繪制出來

plt.figure(figsize=(2*5,3*10))

for i in range(50):
    
#     10行5列
#     子視圖，在每一個子視圖中繪制圖片
    subplot = plt.subplot(10,5,i+1)
    
#     最后50張圖片在 X_test中
#     !!! 像素點需要reshape成圖片形狀
    subplot.imshow(X_test[i].reshape((28,28)))
    
#     添加標題，True：0
#               Predict：0
#     y_test ----真實
#     y_  ------預測
    t = y_test[i]
    p = y_[i]
    subplot.set_title('True: %d\nPredict:%d'%(t,p))

獲取網絡上的數字圖片進行識別

• 讀取圖片轉化為灰度

digits = plt.imread('./數字.jpg')
digits = digits.mean(axis = 2)
plt.imshow(digits,cmap = 'gray')

• 將圖片中的數字切片切下來

data_pre = digits[175:240,78:143]
plt.imshow(data_pre,cmap = 'gray')

• 將圖片轉為28*28

import scipy.ndimage as ndimage
data_pre_test = ndimage.zoom(data_pre,zoom = (28/65,28/65))
print(data_pre_test.shape)

plt.figure(figsize=(2,2))
plt.imshow(data_pre_test,cmap = 'gray')

• 機器預測

# 從網絡上獲取的數據，有時候，因為寫數字，和樣本不同，誤差可能會很大
knn.predict(data_pre_test.reshape((1,-1)))
knn.predict(data_pre_test.reshape((1,784)))

5、保存模型

# 保存模型
# knn 算法，模型，estimator
# 數學建模，model 算法
from sklearn.externals import joblib
# 保存
joblib.dump(knn,'數字識別.m')
# 提取算法
knn_digits = joblib.load('./數字識別.m')
#使用模型
knn_digits.predict(data_pre_test.reshape((1,-1)))