KNN算法实验-采用UCI的Iris数据集和DryBean数据集
生活随笔
收集整理的這篇文章主要介紹了
KNN算法实验-采用UCI的Iris数据集和DryBean数据集
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
KNN（K Nearest Neighbors）
全部的代碼、數據集見我github
DryBean數據集傳不上github，放在了CSDN，0積分即可下載：Drybean下載
1.概述
- KNN（K鄰近投票算法）
- 直接計算出所有點到樣本測試點的距離，選出前K個距離最小的點，少數服從多數地決定測試點的標簽
- 優點：算法簡單、思路簡單；無需參數估計、無需訓練
- 缺點：只適用于每類樣本數值均衡的數據
- 能力：多分類
2.原理
-
選定Iris數據集作為計算樣例，取K=7、歐式距離、30%測試集、70%訓練集、隨機種子0
-
步驟
-
1.對每個特征值采用數據歸一化。采用min-max歸一化方法，公式為（X-Min）/(Max-Min)
-
2.對于第一個測試樣本來說，計算其到訓練集中所有樣本的歐式距離
-
3.選擇最小的前K個距離，進行投票，按照少數服從多數得到這個樣本的預測標簽
-
4.計算下一個測試樣本的標簽，直到做完全部預測
2.1 手動計算詳見excel表格：Iris-count.xlsx
3.簡單調包
- 選定Iris數據集作為計算樣例，歐式距離、30%測試集、70%訓練集、隨機種子0
- 這里使用了十折交叉驗證找到了最好的K=7
| 0.166667 | 0.416667 | 0.067797 | 0.041667 |
| 0.111111 | 0.500000 | 0.050847 | 0.041667 |
| 0.083333 | 0.458333 | 0.084746 | 0.041667 |
| 0.194444 | 0.666667 | 0.067797 | 0.041667 |
| 0.305556 | 0.791667 | 0.118644 | 0.125000 |
| 0.083333 | 0.583333 | 0.067797 | 0.083333 |
| 0.194444 | 0.583333 | 0.084746 | 0.041667 |
| 0.027778 | 0.375000 | 0.067797 | 0.041667 |
| 0.305556 | 0.708333 | 0.084746 | 0.041667 |
| 0.138889 | 0.583333 | 0.101695 | 0.041667 |
4.優缺點
4.1 優點
不需要訓練、沒有參數估計，拿到測試數據即可進行分類
4.2 缺點
當樣本中每種類型的數量不均衡時，可能會強行“少數服從多數”
4.3驗證一下缺點
- 這里使用Iris數據集和DryBean數據集
- 對這兩個數據集進行數據清洗，生成每類樣本數目均衡/不均衡的新數據集，比較KNN在“均衡Iris”、“不均衡Iris”、“均衡DryBean”、“不均衡DryBean”上的效果
4.實現代碼
#這里放一下手動實現算法的代碼，并且做到和調包的正確率一樣 #采用Iris數據集作為計算樣例 print(type(train_x)) print(pd.DataFrame(train_x).shape) print(train_x[0][1]) <class 'numpy.ndarray'> (105, 4) 0.41666666666666663 #定義KNN類，用于分類，類中定義兩個預測方法，分為考慮權重不考慮權重兩種情況 class KNN:''' 使用Python語言實現K近鄰算法。（實現分類） '''def __init__(self, k):'''初始化方法 Parameters-----k:int 鄰居的個數'''self.k = kdef fit(self,X,y):'''訓練方法Parameters----X : 類數組類型，形狀為：[樣本數量, 特征數量]待訓練的樣本特征（屬性）y : 類數組類型，形狀為： [樣本數量]每個樣本的目標值（標簽）。'''#將X轉換成ndarray數組self.X = np.asarray(X)self.y = np.asarray(y)def predict(self,X):"""根據參數傳遞的樣本，對樣本數據進行預測。Parameters-----X : 類數組類型，形狀為：[樣本數量, 特征數量]待訓練的樣本特征（屬性） Returns-----result : 數組類型預測的結果。"""X = np.asarray(X)result = []# 對ndarray數組進行遍歷，每次取數組中的一行。for x in X:# 對于測試集中的每一個樣本，依次與訓練集中的所有樣本求距離。dis = np.sqrt(np.sum((x - self.X) ** 2, axis=1))## 返回數組排序后，每個元素在原數組（排序之前的數組）中的索引。index = dis.argsort()# 進行截斷，只取前k個元素。【取距離最近的k個元素的索引】index = index[:self.k]# 返回數組中每個元素出現的次數。元素必須是非負的整數。【使用weights考慮權重，權重為距離的倒數。】if dis[index].all()!=0:count = np.bincount(self.y[index], weights= 1 / dis[index])else :pass# 返回ndarray數組中，值最大的元素對應的索引。該索引就是我們判定的類別。# 最大元素索引，就是出現次數最多的元素。result.append(count.argmax())return np.asarray(result) #創建KNN對象，進行訓練與測試。 knn = KNN(k=7) #進行訓練 knn.fit(train_x,train_y) #進行測試 result = knn.predict(test_x) # display(result) # display(test_y) display(np.sum(result == test_y)) if len(result)!=0:display(np.sum(result == test_y)/ len(result)) #與調包結果一致 440.97777777777777775.scikit-learn中的kNN模型（source: CSDN Ada_Concentration）
- scikit-learn中提供了一個KNeighborClassifier類來實現k近鄰法分類模型，其原型為：
sklearn.neighbors.KNighborClassifier(n_neighbors=5,weights=’uniform’,algorithm=’auto’,leaf_size=30,p=2,metric=’minkowski’,metric_params=None,n_jobs=1,**kwargs)
5.1參數
- n_neighbors:一個整數，指定k值。
- weights:一字符串或者可調用對象，指定投票權重類型。也就是說這些鄰居投票權可以為相同或不同：
– ‘uniform’：本節點的所有鄰居節點的投票權重都相等；
– ‘distance’：本節點的所有鄰居節點的投票權重與距離成反比，即越近的節點，其投票的權重越大；
– [callable]：一個可調用對象。它傳入距離的數組，返回同樣形狀的權重數組。 - algorithm:一個字符串，指定計算最近鄰的算法，可以為如下：
– ’ball_tree’ ：使用BallTree算法，也就是球樹；
– kd_tree’： 使用KDTree算法；
–‘brute’ ： 使用暴力搜素法；
–‘auto’ ： 自動決定最適合的算法。 - leaf_size:一個整數，指定BallTree或者KDTree葉節點的規模。它影響樹的構建和查詢速度。
- metric:一個字符串，指定距離度量。默認為‘minkowski’距離。
- p:整數值，指定在‘minkowski’距離上的指數。
- n_jobs：并行性。默認為-1表示派發任務到所有計算機的CPU上。
5.2方法
- fit(X,y)：訓練模型
- predict：使用模型來預測，返回待預測樣本的標記。
- score(X,y)：返回在（X，y）上預測的準確率。
- predict_proba(X)：返回樣本為每種標記的概率。
- kneighbors([X,n_neighbors,return_distance])：返回樣本點的k近鄰點。如果return_diatance=True,同時還返回到這些近鄰點的距離。
- kneighbors_graph([X,n_neighbors,model])：返回樣本點的連接圖。
6.適用數據
# Code source: Ga?l Varoquaux # Andreas Müller # Modified for documentation by Jaques Grobler # License: BSD 3 clauseimport numpy as np import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.datasets import make_moons, make_circles, make_classification from sklearn.neural_network import MLPClassifier from sklearn.neighbors import KNeighborsClassifier from sklearn.svm import SVC from sklearn.gaussian_process import GaussianProcessClassifier from sklearn.gaussian_process.kernels import RBF from sklearn.tree import DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier from sklearn.naive_bayes import GaussianNB from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysish = 0.02 # step size in the meshnames = ["Nearest Neighbors","Linear SVM","RBF SVM","Gaussian Process","Decision Tree","Random Forest","Neural Net","AdaBoost","Naive Bayes","QDA", ]classifiers = [KNeighborsClassifier(3),SVC(kernel="linear", C=0.025),SVC(gamma=2, C=1),GaussianProcessClassifier(1.0 * RBF(1.0)),DecisionTreeClassifier(max_depth=5),RandomForestClassifier(max_depth=5, n_estimators=10, max_features=1),MLPClassifier(alpha=1, max_iter=1000),AdaBoostClassifier(),GaussianNB(),QuadraticDiscriminantAnalysis(), ]X, y = make_classification(n_features=2, n_redundant=0, n_informative=2, random_state=1, n_clusters_per_class=1 ) rng = np.random.RandomState(2) X += 2 * rng.uniform(size=X.shape) linearly_separable = (X, y)datasets = [make_moons(noise=0.3, random_state=0),make_circles(noise=0.2, factor=0.5, random_state=1),linearly_separable, ]figure = plt.figure(figsize=(27, 9)) i = 1 # iterate over datasets for ds_cnt, ds in enumerate(datasets):# preprocess dataset, split into training and test partX, y = dsX = StandardScaler().fit_transform(X)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=42)x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))# just plot the dataset firstcm = plt.cm.RdBucm_bright = ListedColormap(["#FF0000", "#0000FF"])ax = plt.subplot(len(datasets), len(classifiers) + 1, i)if ds_cnt == 0:ax.set_title("Input data")# Plot the training pointsax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright, edgecolors="k")# Plot the testing pointsax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.6, edgecolors="k")ax.set_xlim(xx.min(), xx.max())ax.set_ylim(yy.min(), yy.max())ax.set_xticks(())ax.set_yticks(())i += 1# iterate over classifiersfor name, clf in zip(names, classifiers):ax = plt.subplot(len(datasets), len(classifiers) + 1, i)clf.fit(X_train, y_train)score = clf.score(X_test, y_test)# Plot the decision boundary. For that, we will assign a color to each# point in the mesh [x_min, x_max]x[y_min, y_max].if hasattr(clf, "decision_function"):Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])else:Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]# Put the result into a color plotZ = Z.reshape(xx.shape)ax.contourf(xx, yy, Z, cmap=cm, alpha=0.8)# Plot the training pointsax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright, edgecolors="k")# Plot the testing pointsax.scatter(X_test[:, 0],X_test[:, 1],c=y_test,cmap=cm_bright,edgecolors="k",alpha=0.6,)ax.set_xlim(xx.min(), xx.max())ax.set_ylim(yy.min(), yy.max())ax.set_xticks(())ax.set_yticks(())if ds_cnt == 0:ax.set_title(name)ax.text(xx.max() - 0.3,yy.min() + 0.3,("%.2f" % score).lstrip("0"),size=15,horizontalalignment="right",)i += 1plt.tight_layout() plt.show()總結
以上是生活随笔為你收集整理的KNN算法实验-采用UCI的Iris数据集和DryBean数据集的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 代码里-3gt;gt;1是-2但3gt;
- 下一篇： 我决定去读研了