第二篇：基于K-近邻分类算法的约会对象智能匹配系统

前言

       假如你想到某个在线约会网站寻找约会对象，那么你很可能将该约会网站的所有用户归为三类：

       1. 不喜欢的

       2. 有点魅力的

       3. 很有魅力的

       你如何决定某个用户属于上述的哪一类呢？想必你会分析用户的信息来得到结论，比如该用户 "每年获得的飞行常客里程数"，"玩网游所消耗的时间比"，"每年消耗的冰淇淋公升数"。

       使用机器学习的K-近邻算法，可以帮助你在获取到用户的这三个信息后(或者更多信息 方法同理)，自动帮助你对该用户进行分类，多方便呀！

       本文将告诉你如何具体实现这样一个自动分类程序。

第一步：收集并准备数据

       首先，请搜集一些约会数据 - 尽可能多。

       然后将自行搜集到的数据存放到一个txt文件中，例如，可以将每个样本数据各为一行，

       前言中提到的那三个分析数据(特征)以及分析结果(整数表示)各为一列，如下所示：

       

       再编写函数将这些数据从文件中取出并存放到数据结构中：

# 导入numpy数学运算库
import numpy

# ==============================================
# 输入：
#        训练集文件名(含路径)
# 输出：
#        特征矩阵和标签向量
# ==============================================
def file2matrix(filename):
    '获取训练集数据'
    
    # 打开训练集文件
    fr = open(filename)
    # 获取文件行数
    numberOfLines = len(fr.readlines())
    # 文件指针归0
    fr.seek(0)
    # 初始化特征矩阵
    returnMat = numpy.zeros((numberOfLines,3))
    # 初始化标签向量
    classLabelVector = []
    # 特征矩阵的行号 也即样本序号
    index = 0
    
    for line in fr:     # 遍历训练集文件中的所有行
        # 去掉行头行尾的换行符，制表符。
        line = line.strip()
        # 以制表符分割行
        listFromLine = line.split('	')
        # 将该行特征部分数据存入特征矩阵
        returnMat[index,:] = listFromLine[0:3]
        # 将该行标签部分数据存入标签矩阵
        classLabelVector.append(int(listFromLine[-1]))
        # 样本序号+1
        index += 1
        
    return returnMat,classLabelVector

       获取到数据后就可以print查看获取到的数据内容了，如下：

      

       很显然，这样的显示非常的不友好，可采用Python的Matplotlib库来图像化地展示获取到的数据。

       如果你是在Ubuntu下使用Eclipse插件编译PyDev的话，安装Matplotlib是很坑的。

       在获取到安装包后，还得在插件设置那里添加新的库路径，因为Matplotlib不会自动安装到Python2.7的库目录下，这和NumPy不同。

       下面这个才是正确的库路径：

      

       然后就可以编写以下代码进行数据的分析了：

# 新建一个图对象
    fig = plt.figure()
    # 设置1行1列个图区域，并选择其中的第1个区域展示数据。
    ax = fig.add_subplot(111)
    # 以训练集第一列(玩网游所消耗的时间比)为数据分析图的行，第二列(每年消费的冰淇淋公升数)为数据分析图的列。
    ax.scatter(datingDataMat[:,1], datingDataMat[:,2])
    # 展示数据分析图
    plt.show()

       另外在代码顶部记得包含所需的matplotlib库：

# 导入Matplotlib库
import matplotlib.pyplot as plt
import matplotlib

       运行完后，输出数据分析图如下：

      

       这里发现一个问题，上面的数据分析图并没有显示分类的结果。

       进一步优化数据分析图显示部分代码：

# 新建一个图对象
    fig = plt.figure()
    # 设置1行1列个图区域，并选择其中的第1个区域展示数据。
    ax = fig.add_subplot(111)
    # 以训练集第一列(玩网游所消耗的时间比)为数据分析图的行，第二列(每周消费的冰淇淋公升数)为数据分析图的列。
    ax.scatter(datingDataMat[:,1], datingDataMat[:,2], 15.0*numpy.array(datingLabels), 15.0*numpy.array(datingLabels))
    # 坐标轴定界
    ax.axis([-2,25,-0.2,2.0])
    # 坐标轴说明 (matplotlib配置中文显示有点麻烦 这里直接用英文的好了)
    plt.xlabel('Percentage of Time Spent Playing Online Games')
    plt.ylabel('Liters of Ice Cream Consumed Per Week')
    # 展示数据分析图
    plt.show()

       得到如下数据分析图：

　　

       也可以用同样方法得到 "每年获得的飞行常客里程数" 和 "玩网游所消耗的时间比" 为轴的图：

　　

第三步：数据归一化

       想必你会发现，我们分析的这三个特征，在距离计算公式中所占的权重是不同的：飞机历程肯定要比吃冰淇淋的公升数大多了。

       因此，需要将它们转为同样的一个数量区间，再进行距离计算。 --- 这个步骤就叫做数据归一化。

       可以使用如下公式对数据进行归一化：

              newValue = (oldValue - min) / (max - min)

       即用旧的特征值去减它取到的最小的值，然后再除以它的取值范围。

       很显然，所有得到的新值取值均在 0 -1 。

       这部分代码如下：

# ==============================================
# 输入：
#        训练集
# 输出：
#        归一化后的训练集
# ==============================================
def autoNorm(dataSet):
    '数据归一化'
    
    # 获得每列最小值
    minVals = dataSet.min(0)
    # 获得每列最大值
    maxVals = dataSet.max(0)
    # 获得每列特征的取值范围
    ranges = maxVals - minVals
    # 构建初始矩阵(模型同dataSet)
    normDataSet = numpy.zeros(numpy.shape(dataSet))
    
    # 数据归一化矩阵运算
    m = dataSet.shape[0]
    normDataSet = dataSet - numpy.tile(minVals, (m,1))
    # 注意/是特征值相除法。/在别的函数库也许是矩阵除法的意思。
    normDataSet = normDataSet/numpy.tile(ranges, (m,1))
    
    return normDataSet

第四步：测试算法

       测试的策略是随机取10%的数据进行分析，再判断分类准确率如何。

       这部分代码如下：

# ================================================
# 输入：
#        空
# 输出：
#        对指定训练集文件进行K近邻算法测试并打印测试结果
# ================================================
def datingClassTest():
    '分类算法测试'
    
    # 设置要测试的数据比重
    hoRatio = 0.10
    # 获取训练集
    datingDataMat,datingLabels = file2matrix('datingTestSet.txt')
    # 数据归一化
    normMat, ranges, minVals = autoNorm(datingDataMat)
    # 计算实际要测试的样本数
    m = normMat.shape[0]
    numTestVecs = int(m*hoRatio)
    # 存放错误数
    errorCount = 0.0
    
    # 对测试集样本一一进行分类并分析打印结果
    print "错误的分类结果如下："
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
        if (classifierResult != datingLabels[i]): 
            print "分类结果: %d, 实际结果: %d" % (classifierResult, datingLabels[i])
            errorCount += 1.0
    print "总错误率: %.2f"  % (errorCount/float(numTestVecs))
    print "总错误数:%.2f" % errorCount

       其中，classify0 函数在文章K-近邻分类算法原理分析与代码实现中有具体实现。

       打印出如下结果：

      

       错误率为5%左右，这是应该算是比较理想的状况了吧。

第五步：使用算法构建完整可用系统

       下面，可以在这个训练集和分类器之上构建一个完整的可用系统了。

       系统功能很简单：用户输入要判断对象三个特征 - "每年获得的飞行常客里程数"，"玩网游所消耗的时间比"，"每年消耗的冰淇淋公升数"。

       PS：在真实系统中，这部分输入可不由用户来输入，而从网站直接下载数据。

       程序帮你判断你是不喜欢还是有点喜欢，抑或是很喜欢。

       这部分代码如下：

# ===========================================================
# 输入：
#        空
# 输出：
#        对用户指定的对象以指定的训练集文件进行K近邻分类并打印结果信息
# ===========================================================    
def classifyPerson():
    '约会对象分析系统'
    
    # 分析结果集合
    resultList = ['不喜欢', '有点喜欢', '很喜欢']
    
    # 获取用户输入的目标分析对象的特征值
    percentTats = float(raw_input("玩网游所消耗的时间比:"))
    ffMiles = float(raw_input("每年获得的飞行常客里程数:"))
    iceCream = float(raw_input("每年消费的冰淇淋公升数:"))
    
    # 获取训练集
    datingDataMat, datingLabels = file2matrix('datingTestSet.txt')
    # 数据归一化
    normMat, ranges, minVals = autoNorm(datingDataMat)
    # 获取分类结果
    inArr = numpy.array([ffMiles, percentTats, iceCream])
    classifierResult = classify0((inArr-minVals)/ranges, normMat, datingLabels, 3)
    
    print "分析结果:", resultList[classifierResult-1]

       运行结果：

      

       至此，该系统编写完毕。

小结

1. KNN算法其实并没有一个实际的 "训练" 过程。取得了数据就当作是训练过了的。在下下篇文章将讲解决策树，它就有详细的训练，或者说知识学习的过程。

2. 可采用从网站自动下载数据的方式，让这个系统的决策更为科学，再加上良好的界面，就能投入实际使用了。

3. 下篇文章将讲解KNN算法一个更为高级的应用 - 手写识别系统。

4. 这个程序也看出，处理文本/字符串方面，Python比C++好用多了。