机器学习之KNN算法预测数据和数据可视化

机器学习及KNN算法

机器学习基本概念

---

概念理解

利用数学中的公式 总结出数据中的规律。

步骤

1. 数据收集
   数据量越大，最终训练的结果越正确
2. 建立数学模型训练
   针对不同的数据类型需要选择不同的数学模型
3. 预测
   预测数据

为什么要学习机器学习

• 信息爆炸时代，数据量太大，人工已经无法处理。
• 重复性的工作交给电脑来做。
• 潜在一些信息之间的关联人类不容易直接发现。
• 机器学习确实有效的解决很多问题。
  等…

需要准备的库

• numpy
• scipy
• matplotlib
• pandas
• sklearn
  Sklearn (Scikit-Learn) 是基于 Python 语言的第三方机器学习库。它建立在 NumPy, SciPy, Pandas 和 Matplotlib库 之上，里面的 API 的设计非常好，所有对象的接口简单，很适合新手上路。我使用的是1.0.2版本，可在终端下载
  代码展示：

未修改pip下载源的，后面需添加 -i 镜像源地址

pip install scikit_learn==1.0.2

KNN算法

---

概念

全称是k-nearest neighbors，通过寻找k个距离最近的数据，来确定当前数据值的大小或类别。是机器学习中最为简单和经典的一个算法。
如果求得是值，则求其平均值为结果，如果是确定类别，则比较多的类别为结果。

算法导入

• KNeighborsClassifier 预测类别
• KNeighborsRegressor 预测值

from sklearn.neighbors import KNeighborsClassifier
from sklearn.neighbors import KNeighborsRegressor

常用距离公式

• 欧式距离：

  • 二维空间：a点为(x1,y1)，b点为(x2,y2)
  • 三维空间：a点为(x1,y1 ,z1)，b点为(x2,y2 ,z2)
    
  • n维空间：a点为(x11,x12 ,…,x1n)，b点为(x21,x22,…,x2n)
    

• 曼哈顿距离：

  • 二维空间：a点为(x1,y1)，b点为(x2,y2)
    

  • n维空间：a点为(x11,x12 ,…,x1n)，b点为(x21,x22,…,x2n)
    

算法优缺点

优点：

1.简单，易于理解，易于实现，无需训练;
2.适合对稀有事件进行分类;
3.对异常值不敏感。

缺点︰

1.样本容量比较大时，计算时间很长;
⒉.不均衡样本效果较差;

数据可视化

---

二维界面

格式：

• figure(“窗口名”)
  创建空白画板
• axes()
  确认维度，默认二维
• scatter(x,y,c=“十六进制颜色值”,marker=“标识图案”)
  设置为散点图，同时确认数据及数据显示颜色和标识图案，x,y可以是数值也可以是数组
• set(xlabel=“x”,ylabel=“y”)
  设置坐标轴名称，x,y可以改为需要的坐标轴名
  代码展示：

import matplotlib.pyplot as plt
a = [1,2,3,4]
# 建立空白画板
fig = plt.figure("二维")
#确认维度，默认二维
b = plt.axes()
# 数据可以是数值也可以是数组
b.scatter(2,3,c="#00F5FF",marker="o")
b.scatter(a,a,c="#00FF7F",marker="*")
b.set(xlabel="x",ylabel="y")
plt.show()

运行结果：

三维界面

格式：

• figure(“窗口名”)
  创建空白画板
  • axes(projection=“3d”)
    设置三维
  • scatter(x,y,z,c=“十六进制颜色值”,marker=“标识图案”)
    确认数据及数据显示颜色和标识图案，x,y，z可以是数值也可以是数组
• set(xlabel=“x”,ylabel=“y”,zlabel=“z”)
  设置坐标轴名称，x,y,z可以改为需要的坐标轴名

代码展示：

a = [1,2,3,4]
data = np.loadtxt('dating_TS.txt')
figure = plt.figure("三维")
b = plt.axes(projection="3d")
b.scatter(2,3,4,c="#00F5FF",marker="o")
b.scatter(a,a,a,c="#00FF7F",marker="*")
b.set(xlabel="x",ylabel="y",zlabel="z")
plt.show()

运行结果：

KNeighborsClassifier 和KNeighborsRegressor理解

---

查看KNeighborsRegressor函数参数定义

按住CTRL，鼠标点击函数可自动跳转
部分代码展示：

    def __init__(self,n_neighbors=5,*,weights="uniform",algorithm="auto",leaf_size=30,p=2,metric="minkowski",metric_params=None,n_jobs=None,)

查看 KNeighborsClassifier函数参数定义

部分代码展示：

def __init__(self,n_neighbors=5,*,weights="uniform",algorithm="auto",leaf_size=30,p=2,metric="minkowski",metric_params=None,n_jobs=None,)

参数理解

• n_neighbors
  k值，邻居的个数，默认为5。【关键参数】
• weights : 权重项，默认uniform方法。
  • Uniform：所有最近邻样本的权重都一样。【一般使用这一个】
  • Distance：权重和距离呈反比，距离越近的样本具有更高的权重。【确认样本分布情况，混乱使用这种形式】
  • Callable：用户自定义权重。
• algorithm ：用于计算最近邻的算法。
  • ball_tree：球树实现
  • kd_tree：KD树实现, 是一种对n维空间中的实例点进行存储以便对其进行快速搜索的二叉树结构。
  • brute：暴力实现
  • auto：自动选择，权衡上述三种算法。【一般按自动即可】
    leaf_size :空值KD树或者球树的参数，停止建子树的叶子节点的阈值。
• p : 距离的计算方式。P=1为曼哈顿距离，p=2为欧式距离。
  1.曼哈顿距离2.欧式距离3.切比雪夫距离4.闵可夫斯基距离5.带权重闵可夫斯基距离
  6.标准化欧式距离7.马氏距离
• metric : 用于树的距离度量
  “euclidean” EuclideanDistance - sqrt(sum((x - y)^2))
  “manhattan” ManhattanDistance - sum(|x - y|)
  “chebyshev” ChebyshevDistance - max(|x - y|)
  “minkowski” MinkowskiDistance p, w sum(w * |x - y|^p)^(1/p)
  “wminkowski” WMinkowskiDistance p, w sum(|w * (x - y)|^p)^(1/p)
  “seuclidean” SEuclideanDistance V sqrt(sum((x - y)^2 / V))
  “mahalanobis” MahalanobisDistance V or VI ``sqrt((x - y)’ V^-1 (x - y))
• metric_params :用于比较复杂的距离的度量附加参数。【用不上】

使用格式

• x = data1 特征数据
• y = data2 结果（平均值/较多类别）
• n = KNeighborsClassifier(n_neighbors=7,p=1,metric=“euclidean”)
  确定最近个数为7，和距离计算方式1曼哈顿距离,树的距离方式是欧式距离
• n.fit(x,y)
  自带的训练模型，自动按上方设置计算判断
• n.predict(二维数组)
  预测二维数组的结果

预测类别实际应用

---

问题

现在有很多大学里出现室友矛盾，假如室友可以选择: 大学里面 ，对于校方，把类型相同的学生放在一个寝室，在基于大二大三大四的，现已存在一个数据文件datingTestSet2.txt ，为历年大学生的调查问卷表。

特征数据

第1列：每年旅行的路程
第2列：玩游戏所有时间百分比
第3列：每个礼拜消 零食

类别标签

1表示爱学习，2表示一般般，3表示爱玩，目的为学生在大学中挑选室友的信息

datingTestSet2.txt 部分数据展示：

问题理解

根据最近距离的k个距离最近的类别标签来预测要确定如有[1500,0.924729,0.2134935]特征数据的学生的类别标签，进而分寝室。
注意点：最近距离是由三列特征数据来计算，结果是类别，需要使用的是KNeighborsClassifier

可视化数据理解

data[:,-1] 索引数据最后一列
data[:,-1] ==1 判断为类别1为T，否则为F，结果是bool值
data[data[:,-1]==1] 根据判断归类各个类别数据
data_1[:,0],data_1[:,1],data_1[:,2] 分别为第1，2，3列特征数据
由颜色表示类别3种

调试查看数据data

data[:,-1]

data[:,-1] ==1

data[data[:,-1]==1]

代码展示：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsRegressor
data = np.loadtxt('dating_TS.txt')
data_1 = data[data[:,-1]==1]
data_2 = data[data[:,-1]==2]
data_3 = data[data[:,-1]==3]
a_d = data[:,-1]
a_d_1 = [data[:,-1]==1]
fig = plt.figure()
a = plt.axes(projection="3d")
a.scatter(data_1[:,0],data_1[:,1],data_1[:,2],c="#00F5FF",marker="o")
a.scatter(data_2[:,0],data_2[:,1],data_2[:,2],c="#00FF7F",marker="o")
a.scatter(data_3[:,0],data_3[:,1],data_3[:,2],c="#000080",marker="o")
a.set(xlabel="x",ylabel="y",zlabel="z")
plt.show()

运行结果：

数据预测

代码展示：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
from sklearn.neighbors import KNeighborsRegressor
data = np.loadtxt('dating_TS.txt')
x = data[: , :-1]
y = data[: , -1]
n = KNeighborsClassifier(n_neighbors=7,p=1)
n.fit(x,y)
print(n.predict([[1500,0.924729,0.2134935]]))
p_data = [[1234,2.4567,0.5467],[123435,8.2134,2.345],[5668,3.6754,0.34567]
]
print(n.predict(p_data))
n1 = KNeighborsClassifier(n_neighbors=3,p=2,metric="euclidean")
n1.fit(x,y)
print(n1.predict([[1500,0.924729,0.2134935]]))
p_data = [[1234,2.4567,0.5467],[123435,8.2134,2.345],[5668,3.6754,0.34567]
]
print(n1.predict(p_data))

运行结果：

预测数值实际应用

给定房屋特征和价格数据，最后一列为价格，来根据历史数据预测价格
部分房屋特征和价格数据展示：

代码展示：

import numpy as np
from sklearn.neighbors import KNeighborsRegressor
data_f = np.loadtxt('data_f1.txt')
x = data_f[:,:-1]
y = data_f[:,-1]
n = KNeighborsRegressor(n_neighbors=7,p=2,metric="euclidean")
n.fit(x,y)
print(n.predict([[ 2.82838,0.00,18.120,0,0.5320,5.7620,40.32,4.0983,24,666.0,20.21,392.93,10.42]]))
n1 = KNeighborsRegressor(n_neighbors=5,p=2,metric="euclidean")
n1.fit(x,y)
print(n1.predict([[ 2.82838,0.00,18.120,0,0.5320,5.7620,40.32,4.0983,24, 666.0,20.21,392.93,10.42]]))

运行结果：