首页 > 代码库 > 使用K-近邻算法改进约会网站的配对效果
使用K-近邻算法改进约会网站的配对效果
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","每周消费的冰淇淋公升数"。
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,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取出并存放到内存中的数据结构中:
1 # 导入numpy数学运算库 2 import numpy 3 4 # ============================================== 5 # 输入: 6 # 训练集文件名(含路径) 7 # 输出: 8 # 特征矩阵和标签向量 9 # ==============================================10 def file2matrix(filename):11 ‘获取训练集数据‘12 13 # 打开训练集文件14 fr = open(filename)15 # 获取文件行数16 numberOfLines = len(fr.readlines())17 # 文件指针归018 fr.seek(0)19 # 初始化特征矩阵20 returnMat = numpy.zeros((numberOfLines,3))21 # 初始化标签向量22 classLabelVector = []23 # 特征矩阵的行号 也即样本序号24 index = 025 26 for line in fr: # 遍历训练集文件中的所有行27 # 去掉行头行尾的换行符,制表符。28 line = line.strip()29 # 以制表符分割行30 listFromLine = line.split(‘\t‘)31 # 将该行特征部分数据存入特征矩阵32 returnMat[index,:] = listFromLine[0:3]33 # 将该行标签部分数据存入标签矩阵34 classLabelVector.append(int(listFromLine[-1]))35 # 样本序号+136 index += 137 38 return returnMat,classLabelVector
第二步:分析数据
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,应当采用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:
1 # 新建一个图对象2 fig = plt.figure()3 # 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。4 ax = fig.add_subplot(111)5 # 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。6 ax.scatter(datingDataMat[:,1], datingDataMat[:,2])7 # 展示数据分析图8 plt.show()
另外在代码顶部记得包含所需的matplotlib库:
1 # 导入Matplotlib库2 import matplotlib.pyplot as plt3 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:
1 # 新建一个图对象 2 fig = plt.figure() 3 # 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。 4 ax = fig.add_subplot(111) 5 # 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。 6 ax.scatter(datingDataMat[:,1], datingDataMat[:,2], 15.0*numpy.array(datingLabels), 15.0*numpy.array(datingLabels)) 7 # 坐标轴定界 8 ax.axis([-2,25,-0.2,2.0]) 9 # 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)10 plt.xlabel(‘Percentage of Time Spent Playing Online Games‘)11 plt.ylabel(‘Liters of Ice Cream Consumed Per Week‘)12 # 展示数据分析图13 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:住呢比数据
。。。。。。。。
使用K-近邻算法改进约会网站的配对效果