KNN算法实战-改进约会网站配对效果

Fighting365 机器学习算法与Python学习

kNN实战之改进约会网站配对效果

引言

简单的说，KNN算法采用测量不同特征值之间的距离方法进行分类。工作原理：存在一个样本数据集，即训练数据集，并且样本集中每个样本数据都存在标签，即我们知道样本数据集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，只选择样本数据集中前K个最相似的数据，这就是KNN算法中的k的出处，通常K是大于20的整数。最后，选择k个最相似的数据中出现次数最多的分类作为新数据的分类。

优点：精度高，对异常值不敏感，无数据输入假定
缺点：计算复杂度高，空间复杂度高
适用范围：数值型和标称型

今天我们将使用KNN算法改进约会网站的配对效果，首先先介绍一下该实战的背景。

背景介绍

美女二丫在在线约会网站寻找适合自己的约会对象时，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，她发现曾经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

尽管发现上述的规律，但二丫依然不能将约会网站推荐匹配的对象归入恰当的分类。她可以在周一到周五月那些魅力一般的人，在周六周天约那些极具魅力的人。为此希望我们帮她设计一个可以将不同对象归入恰当的分类，为此，二丫还收提供了一些必要的信息。

算法流程

收集数据：提供文本文件
准备数据：使用python解析文本文件
分析数据：使用matplotlib画二维图
训练数据：
测试算法：使用二丫提供的部分数据作为测试集
部署算法：产生简单的命令行程序，然后二丫可以输入一些特征数据以判断对方是否为自己喜欢的类型。

1. 准备数据：从文本文件中解析数据

数据保存在datingTestSet.txt中，每个样本数据占据一行，总共1000行，样本主要包含以下三个特征：

每年获得的飞行里程玩游戏所消耗的时间百分比每周消耗的冰激凌公斤数

将文本记录转换为Numpy的解析程序：

def file2matrix(filename):    fr = open(filename)    numberOfLines = len(fr.readlines())         #get the number of lines in the file    returnMat = zeros((numberOfLines,3))        #prepare matrix to return    classLabelVector = []                       #prepare labels return       fr = open(filename)    index = 0    for line in fr.readlines():        line = line.strip()        listFromLine = line.split('\t')        returnMat[index,:] = listFromLine[0:3]        classLabelVector.append(int(listFromLine[-1]))        index += 1    return returnMat,classLabelVector

该函数作为kNN函数的子函数存放在kNN.py文件中，在python命令行输入一下命令：

>>> import sys>>> sys.path.append('C:\Users\NEU\Desktop\JKXY\machinelearninginaction\Ch02')>>> import os>>> os.getcwd()'C:\\Python26\\Lib\\idlelib'>>> os.chdir('C:\Users\NEU\Desktop\JKXY\machinelearninginaction\Ch02')>>> os.getcwd()'C:\\Users\\NEU\\Desktop\\JKXY\\machinelearninginaction\\Ch02'>>> import kNN>>> datingDataMat, datintLabels = kNN.file2matrix("datingTestSet2.txt")

现在已经将文本文件导入到运行空间，并转化成所需要的格式了，接下来需要了解数据的具体含义。所以使用python工具来图像化展示数据内容，以辨识出一些数据模式。

2. 分析数据：使用matplotlib创建算点图

首先使用matplotlib制作原始数据的散点图，在python命令行中输入一下命令：

>>> import matplotlib>>> import matplotlib.pyplot as plt>>> fig = plt.figure()>>> ax = fig.add_subplot(111)>>> ax.scatter(datingDataMat[:,1], datingDataMat[:,2])<matplotlib.collections.CircleCollection object at 0x03C8A190>>>> plt.show()

没有类别标签的约会数据散点图，难以辨识图中的点属于哪一类(“玩游戏所占时间百分比”和“每周消耗的冰激凌公斤数”)
datingDataMat的第二列和第三列分别表示特征值的“玩游戏所占时间百分比”和“每周消耗的冰激凌公斤数”,第一列为“每年的飞行里程数”。由于没有使用样本分类的特征值，上图我们不能得到任何有用的数据模式信息。
在python命令行重新输入以下命令：

带有分类标签的约会数据散点图，虽然能够比较容易的区分数据点属于哪一类，但依然难以根据这张表得出结论性的信息(“玩游戏所占时间百分比”和“每周消耗的冰激凌公斤数”)

KNN算法实战-改进约会网站配对效果