Task03-K近鄰(k-nearest neighbors)-算法實(shí)踐(天池機(jī)器學(xué)習(xí)訓(xùn)練營D8)

本筆記為參加阿里云“天池龍珠計(jì)劃 機(jī)器學(xué)習(xí)訓(xùn)練營”所做的學(xué)習(xí)記錄掐场,代碼及知識(shí)內(nèi)容均來源于訓(xùn)練營泣矛,本人稍作擴(kuò)充。
具體活動(dòng)內(nèi)容請(qǐng)移步阿里云天池龍珠計(jì)劃; 同時(shí)感謝公眾號(hào)“機(jī)器學(xué)習(xí)煉丹術(shù)”的介紹、推廣和組織。

2.4 算法實(shí)戰(zhàn)

2.4.1 Demo數(shù)據(jù)集--kNN分類

Step1: 庫函數(shù)導(dǎo)入

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn.neighbors import KNeighborsClassifier
from sklearn import datasets

Step2: 數(shù)據(jù)導(dǎo)入

# 使用鶯尾花數(shù)據(jù)集的前兩維數(shù)據(jù),便于數(shù)據(jù)可視化
iris = datasets.load_iris()
X = iris.data[:, :2]
y = iris.target

Step3: 模型訓(xùn)練&可視化

k_list = [1, 3, 5, 8, 10, 15]
h = .02
# 創(chuàng)建不同顏色的畫布
cmap_light = ListedColormap(['orange', 'cyan', 'cornflowerblue'])
cmap_bold = ListedColormap(['darkorange', 'c', 'darkblue'])

plt.figure(figsize=(15,14))
# 根據(jù)不同的k值進(jìn)行可視化
for ind,k in enumerate(k_list):
    clf = KNeighborsClassifier(k)
    clf.fit(X, y)
    # 畫出決策邊界
    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                         np.arange(y_min, y_max, h))
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
    # 根據(jù)邊界填充顏色
    Z = Z.reshape(xx.shape)

    plt.subplot(321+ind)  
    plt.pcolormesh(xx, yy, Z, cmap=cmap_light)
    # 數(shù)據(jù)點(diǎn)可視化到畫布
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=cmap_bold,
                edgecolor='k', s=20)
    plt.xlim(xx.min(), xx.max())
    plt.ylim(yy.min(), yy.max())
    plt.title("3-Class classification (k = %i)"% k)

plt.show()
KNNFig1.jpg

Step4: 原理簡析

如果選擇較小的K值洞就,就相當(dāng)于用較小的領(lǐng)域中的訓(xùn)練實(shí)例進(jìn)行預(yù)測盆繁,例如當(dāng)k=1的時(shí)候,在分界點(diǎn)位置的數(shù)據(jù)很容易受到局部的影響旬蟋,圖中藍(lán)色的部分中還有部分綠色塊油昂,主要是數(shù)據(jù)太局部敏感。當(dāng)k=15的時(shí)候倾贰,不同的數(shù)據(jù)基本根據(jù)顏色分開冕碟,當(dāng)時(shí)進(jìn)行預(yù)測的時(shí)候,會(huì)直接落到對(duì)應(yīng)的區(qū)域匆浙,模型相對(duì)更加魯棒安寺。

2.4.2 鶯尾花數(shù)據(jù)集--kNN分類

Step1: 庫函數(shù)導(dǎo)入

import numpy as np
# 加載鶯尾花數(shù)據(jù)集
from sklearn import datasets
# 導(dǎo)入KNN分類器
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split

Step2: 數(shù)據(jù)導(dǎo)入&分析

# 導(dǎo)入鶯尾花數(shù)據(jù)集
iris = datasets.load_iris()

X = iris.data
y = iris.target
# 得到訓(xùn)練集合和驗(yàn)證集合, 8: 2
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

Step3: 模型訓(xùn)練
這里我們設(shè)置參數(shù)k(n_neighbors)=5, 使用歐式距離(metric=minkowski & p=2)

# 訓(xùn)練模型
clf = KNeighborsClassifier(n_neighbors=5, p=2, metric="minkowski")
clf.fit(X_train, y_train)

Step4:模型預(yù)測&可視化

# 預(yù)測
X_pred = clf.predict(X_test)
acc = sum(X_pred == y_test) / X_pred.shape[0]
print("預(yù)測的準(zhǔn)確率ACC: %.3f" % acc)

# Output:
# 預(yù)測的準(zhǔn)確率ACC: 0.967

我們用表格來看一下KNN的訓(xùn)練和預(yù)測過程。這里用表格進(jìn)行可視化:

  1. 訓(xùn)練數(shù)據(jù)[表格對(duì)應(yīng)list]
    KNNFig2.jpg
  2. knn.fit(X, y)的過程可以簡單認(rèn)為是表格存儲(chǔ)
    KNNFig3.jpg

    3.knn.predict(x)預(yù)測過程會(huì)計(jì)算x和所有訓(xùn)練數(shù)據(jù)的距離首尼。以 ??=[5.,3.6,1.4,0.2]挑庶, ??=0為例,這里我們使用歐式距離進(jìn)行計(jì)算, 預(yù)測過程如下:

    3.1 計(jì)算x和所有訓(xùn)練數(shù)據(jù)的距離
    KNNFig4.jpg

    3.2 根據(jù)距離進(jìn)行編號(hào)排序
    KNNFig5.jpg

    3.3 我們設(shè)置k=5,選擇距離最近的k個(gè)樣本進(jìn)行投票
    KNNFig6.jpg

    3.4: k近鄰的label進(jìn)行投票
    nn_labels = [0, 0, 0, 0, 1] --> 得到最后的結(jié)果0软能。

學(xué)習(xí)感想:

可視化那部分好難啊迎捺,死磕了兩天才能理解個(gè)大概。還是要加油學(xué)習(xí)安榕拧凳枝!

參考資料:

B站視頻: Python算法之knn

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市跋核,隨后出現(xiàn)的幾起案子岖瑰,更是在濱河造成了極大的恐慌,老刑警劉巖砂代,帶你破解...
    沈念sama閱讀 222,807評(píng)論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件锭环,死亡現(xiàn)場離奇詭異,居然都是意外死亡泊藕,警方通過查閱死者的電腦和手機(jī)辅辩,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,284評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門难礼,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人玫锋,你說我怎么就攤上這事蛾茉。” “怎么了撩鹿?”我有些...
    開封第一講書人閱讀 169,589評(píng)論 0 363
  • 文/不壞的土叔 我叫張陵谦炬,是天一觀的道長。 經(jīng)常有香客問我节沦,道長键思,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 60,188評(píng)論 1 300
  • 正文 為了忘掉前任甫贯,我火速辦了婚禮吼鳞,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘叫搁。我一直安慰自己赔桌,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,185評(píng)論 6 398
  • 文/花漫 我一把揭開白布渴逻。 她就那樣靜靜地躺著疾党,像睡著了一般。 火紅的嫁衣襯著肌膚如雪惨奕。 梳的紋絲不亂的頭發(fā)上雪位,一...
    開封第一講書人閱讀 52,785評(píng)論 1 314
  • 那天,我揣著相機(jī)與錄音梨撞,去河邊找鬼茧泪。 笑死,一個(gè)胖子當(dāng)著我的面吹牛聋袋,可吹牛的內(nèi)容都是我干的队伟。 我是一名探鬼主播,決...
    沈念sama閱讀 41,220評(píng)論 3 423
  • 文/蒼蘭香墨 我猛地睜開眼幽勒,長吁一口氣:“原來是場噩夢啊……” “哼嗜侮!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起啥容,我...
    開封第一講書人閱讀 40,167評(píng)論 0 277
  • 序言:老撾萬榮一對(duì)情侶失蹤锈颗,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后咪惠,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體击吱,經(jīng)...
    沈念sama閱讀 46,698評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,767評(píng)論 3 343
  • 正文 我和宋清朗相戀三年遥昧,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了覆醇。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片朵纷。...
    茶點(diǎn)故事閱讀 40,912評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖永脓,靈堂內(nèi)的尸體忽然破棺而出袍辞,到底是詐尸還是另有隱情,我是刑警寧澤常摧,帶...
    沈念sama閱讀 36,572評(píng)論 5 351
  • 正文 年R本政府宣布搅吁,位于F島的核電站,受9級(jí)特大地震影響落午,放射性物質(zhì)發(fā)生泄漏谎懦。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,254評(píng)論 3 336
  • 文/蒙蒙 一溃斋、第九天 我趴在偏房一處隱蔽的房頂上張望界拦。 院中可真熱鬧,春花似錦盐类、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,746評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至隐岛,卻和暖如春猫妙,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背聚凹。 一陣腳步聲響...
    開封第一講書人閱讀 33,859評(píng)論 1 274
  • 我被黑心中介騙來泰國打工割坠, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人妒牙。 一個(gè)月前我還...
    沈念sama閱讀 49,359評(píng)論 3 379
  • 正文 我出身青樓彼哼,卻偏偏與公主長得像,于是被迫代替她去往敵國和親湘今。 傳聞我的和親對(duì)象是個(gè)殘疾皇子敢朱,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,922評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容

  • 久違的晴天,家長會(huì)摩瞎。 家長大會(huì)開好到教室時(shí)拴签,離放學(xué)已經(jīng)沒多少時(shí)間了。班主任說已經(jīng)安排了三個(gè)家長分享經(jīng)驗(yàn)旗们。 放學(xué)鈴聲...
    飄雪兒5閱讀 7,528評(píng)論 16 22
  • 今天感恩節(jié)哎蚓哩,感謝一直在我身邊的親朋好友。感恩相遇上渴!感恩不離不棄岸梨。 中午開了第一次的黨會(huì)喜颁,身份的轉(zhuǎn)變要...
    迷月閃星情閱讀 10,576評(píng)論 0 11
  • 可愛進(jìn)取,孤獨(dú)成精盛嘿。努力飛翔洛巢,天堂翱翔。戰(zhàn)爭美好次兆,孤獨(dú)進(jìn)取稿茉。膽大飛翔,成就輝煌芥炭。努力進(jìn)取漓库,遙望,和諧家園园蝠∶燧铮可愛游走...
    趙原野閱讀 2,738評(píng)論 1 1
  • 在妖界我有個(gè)名頭叫胡百曉,無論是何事彪薛,只要找到胡百曉即可有解決的辦法茂装。因?yàn)槭侵缓偞蠹乙杂瀭饔灲形摇皟A城百曉”,...
    貓九0110閱讀 3,275評(píng)論 7 3