Merge pull request #116 from chenyyx/master

修改 k-近邻算法.md 的项目实战部分

docs/2.k-近邻算法.md

@@ -76,7 +76,7 @@ knn 算法按照距离最近的三部电影的类型，决定未知电影的类
 ```
 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 画二维扩散图
+分析数据：使用 Matplotlib 画二维散点图
 训练算法：此步骤不适用于 k-近邻算法
 测试算法：使用海伦提供的部分数据作为测试样本。
         测试样本和非测试样本的区别在于：
@@ -94,21 +94,38 @@ knn 算法按照距离最近的三部电影的类型，决定未知电影的类
 
 > 准备数据：使用 Python 解析文本文件
 
+将文本记录转换为 NumPy 的解析程序
  ```Python
 def file2matrix(filename):
+    """
+    Desc:
+        导入训练数据
+    parameters:
+        filename: 数据文件路径
+    return: 
+        数据矩阵 returnMat 和对应的类别 classLabelVector
+    """
+    fr = open(filename)
+    # 获得文件中的数据行的行数
+    numberOfLines = len(fr.readlines())
+    # 生成对应的空矩阵
+    # 例如：zeros(2，3)就是生成一个 2*3的矩阵，各个位置上全是 0 
+    returnMat = zeros((numberOfLines, 3))  # prepare matrix to return
+    classLabelVector = []  # prepare labels return
     fr = open(filename)
-    arrayOLines = fr.readlines()
-    numberOfLines = len(arrayOLines)
-    returnMat = zeros((numberOfLines,3))
-    classLabelVector = []
     index = 0
-    for line in arrayOLines:
+    for line in fr.readlines():
+        # str.strip([chars]) --返回移除字符串头尾指定的字符生成的新字符串
         line = line.strip()
+        # 以 '\t' 切割字符串
         listFromLine = line.split('\t')
-        returnMat[index,:] = listFromLine[0:3]
+        # 每列的属性数据
+        returnMat[index, :] = listFromLine[0:3]
+        # 每列的类别数据，就是 label 标签数据
         classLabelVector.append(int(listFromLine[-1]))
         index += 1
-    return returnMat,classLabelVector
+    # 返回数据矩阵returnMat和对应的类别classLabelVector
+    return returnMat, classLabelVector
 ```
 
 > 分析数据：使用 Matplotlib 画二维散点图
@@ -118,18 +135,106 @@ import matplotlib
 import matplotlib.pyplot as plt
 fig = plt.figure()
 ax = fig.add_subplot(111)
-ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2])
+ax.scatter(datingDataMat[:, 1], datingDataMat[:, 2], 15.0*array(datingLabels), 15.0*array(datingLabels))
 plt.show()
 ```
 
+下图中采用矩阵的第一和第三列属性得到很好的展示效果，清晰地标识了三个不同的样本分类区域，具有不同爱好的人其类别区域也不同。
+
+![Matplotlib 散点图](/images/2.KNN/knn_matplotlib_2.png)
+
+> 准备数据: 归一化数据
+
+归一化特征值，消除属性之间量级不同导致的影响
+```Python
+def autoNorm(dataSet):
+    """
+    Desc:
+        归一化特征值，消除属性之间量级不同导致的影响
+    parameter:
+        dataSet: 数据集
+    return:
+        归一化后的数据集 normDataSet. ranges和minVals即最小值与范围，并没有用到
+
+    归一化公式：
+        Y = (X-Xmin)/(Xmax-Xmin)
+        其中的 min 和 max 分别是数据集中的最小特征值和最大特征值。该函数可以自动将数字特征值转化为0到1的区间。
+    """
+    # 计算每种属性的最大值、最小值、范围
+    minVals = dataSet.min(0)
+    maxVals = dataSet.max(0)
+    # 极差
+    ranges = maxVals - minVals
+    normDataSet = zeros(shape(dataSet))
+    m = dataSet.shape[0]
+    # 生成与最小值之差组成的矩阵
+    normDataSet = dataSet - tile(minVals, (m, 1))
+    # 将最小值之差除以范围组成矩阵
+    normDataSet = normDataSet / tile(ranges, (m, 1))  # element wise divide
+    return normDataSet, ranges, minVals
+```
+
 > 训练算法：此步骤不适用于 k-近邻算法
 
-> 测试算法：使用海伦提供的部分数据作为测试样本。
-        测试样本和非测试样本的区别在于：
-            测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误。
+> 测试算法：使用海伦提供的部分数据作为测试样本。测试样本和非测试样本的区别在于：测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误。
+
+kNN 分类器针对约会网站的测试代码
+```Python
+def datingClassTest():
+    """
+    Desc:
+        对约会网站的测试方法
+    parameters:
+        none
+    return:
+        错误数
+    """
+    # 设置测试数据的的一个比例（训练数据集比例=1-hoRatio）
+    hoRatio = 0.1  # 测试范围,一部分测试一部分作为样本
+    # 从文件中加载数据
+    datingDataMat, datingLabels = file2matrix('input/2.KNN/datingTestSet2.txt')  # load data setfrom file
+    # 归一化数据
+    normMat, ranges, minVals = autoNorm(datingDataMat)
+    # m 表示数据的行数，即矩阵的第一维
+    m = normMat.shape[0]
+    # 设置测试的样本数量， numTestVecs:m表示训练样本的数量
+    numTestVecs = int(m * hoRatio)
+    print 'numTestVecs=', numTestVecs
+    errorCount = 0.0
+    for i in range(numTestVecs):
+        # 对数据测试
+        classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :], datingLabels[numTestVecs:m], 3)
+        print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, datingLabels[i])
+        if (classifierResult != datingLabels[i]): errorCount += 1.0
+    print "the total error rate is: %f" % (errorCount / float(numTestVecs))
+    print errorCount
+```
 
 > 使用算法：产生简单的命令行程序，然后海伦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。
 
+约会网站预测函数
+```Python
+def clasdifyPerson():
+    resultList = ['not at all', 'in small doses', 'in large doses']
+    percentTats = float(raw_input("percentage of time spent playing video games ?"))
+    ffMiles = float(raw_input("frequent filer miles earned per year?"))
+    iceCream = float(raw_input("liters of ice cream consumed per year?"))
+    datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')
+    normMat, ranges, minVals = autoNorm(datingDataMat)
+    inArr = array([ffMils, percentTats, iceCream])
+    classifierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels, 3)
+    print "You will probably like this person: ", resultList[classifierResult - 1]
+```
+
+实际运行效果如下: 
+
+```Python
+>>> kNN.classifyPerson()
+percentage of time spent playing video games?10
+frequent flier miles earned per year?10000
+liters of ice cream consumed per year?0.5
+You will probably like this person: in small doses
+```
 
 [完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py>
 
@@ -139,29 +244,35 @@ plt.show()
 
 ### 项目案例2: 手写数字识别系统
 
-> 概述
+#### 项目概述
 
 构造一个能识别数字 0 到 9 的基于 KNN 分类器的手写识别系统。
 
 需要识别的数字是存储在文本文件中的具有相同的色彩和大小：宽高是 32 像素 * 32 像素的黑白图像。
 
-> 使用 KNN 的手写识别系统
+#### 开发流程
 
 ```
 收集数据：提供文本文件。
 准备数据：编写函数 img2vector(), 将图像格式转换为分类器使用的向量格式
-分析数据：在 Python 命令提示符中检查数据，确保它符合要求。
+分析数据：在 Python 命令提示符中检查数据，确保它符合要求
 训练算法：此步骤不适用于 KNN
 测试算法：编写函数使用提供的部分数据集作为测试样本，测试样本与非测试样本的
          区别在于测试样本是已经完成分类的数据，如果预测分类与实际类别不同，
-         则标记为一个错误。
+         则标记为一个错误
 使用算法：本例没有完成此步骤，若你感兴趣可以构建完整的应用程序，从图像中提取
-         数字，并完成数字识别，美国的邮件分拣系统就是一个实际运行的类似系统。
+         数字，并完成数字识别，美国的邮件分拣系统就是一个实际运行的类似系统
 ```
 
+> 收集数据: 提供文本文件
+
+目录 trainingDigits 中包含了大约 2000 个例子，每个例子内容如下图所示，每个数字大约有 200 个样本；目录 testDigits 中包含了大约 900 个测试数据。
+
 ![手写数字数据集的例子](/images/2.KNN/knn_2_handWriting.png)
 
-* 将图像转换为向量
+> 准备数据: 编写函数 img2vector(), 将图像格式转换为分类器使用的向量格式
+
+将图像转换为向量
 
 ```Python
 def img2vector(filename):
@@ -174,6 +285,56 @@ def img2vector(filename):
     return returnVect
 ```
 
+> 分析数据：在 Python 命令提示符中检查数据，确保它符合要求
+
+在 Python 命令行中输入下列命令测试 img2vector 函数，然后与文本编辑器打开的文件进行比较: 
+
+```Python
+>>> testVector = kNN.img2vector('testDigits/0_13.txt')
+>>> testVector[0,0:31]
+array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
+>>> testVector[0,31:63]
+array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1., 1., 1., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
+```
+
+> 训练算法：此步骤不适用于 KNN
+
+> 测试算法：编写函数使用提供的部分数据集作为测试样本，测试样本与非测试样本的区别在于测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误
+
+```Python
+def handwritingClassTest():
+    # 1. 导入数据
+    hwLabels = []
+    trainingFileList = listdir('input/2.KNN/trainingDigits')  # load the training set
+    m = len(trainingFileList)
+    trainingMat = zeros((m, 1024))
+    # hwLabels存储0～9对应的index位置， trainingMat存放的每个位置对应的图片向量
+    for i in range(m):
+        fileNameStr = trainingFileList[i]
+        fileStr = fileNameStr.split('.')[0]  # take off .txt
+        classNumStr = int(fileStr.split('_')[0])
+        hwLabels.append(classNumStr)
+        # 将 32*32的矩阵->1*1024的矩阵
+        trainingMat[i, :] = img2vector('input/2.KNN/trainingDigits/%s' % fileNameStr)
+
+    # 2. 导入测试数据
+    testFileList = listdir('input/2.KNN/testDigits')  # iterate through the test set
+    errorCount = 0.0
+    mTest = len(testFileList)
+    for i in range(mTest):
+        fileNameStr = testFileList[i]
+        fileStr = fileNameStr.split('.')[0]  # take off .txt
+        classNumStr = int(fileStr.split('_')[0])
+        vectorUnderTest = img2vector('input/2.KNN/testDigits/%s' % fileNameStr)
+        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
+        print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)
+        if (classifierResult != classNumStr): errorCount += 1.0
+    print "\nthe total number of errors is: %d" % errorCount
+    print "\nthe total error rate is: %f" % (errorCount / float(mTest))
+```
+
+> 使用算法：本例没有完成此步骤，若你感兴趣可以构建完整的应用程序，从图像中提取数字，并完成数字识别，美国的邮件分拣系统就是一个实际运行的类似系统
+
 [完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py): <https://github.com/apachecn/MachineLearning/blob/master/src/python/2.KNN/kNN.py>
 
 * * *