使用knn算法对鸢尾花数据集进行分类(数据挖掘apriori算法)

大家好，又见面了，我是你们的朋友全栈君。

KNN算法实现鸢尾花数据集分类

一、knn算法描述
1.基本概述
knn算法，又叫k-近邻算法。属于一个分类算法，主要思想如下：
一个样本在特征空间中的k个最近邻的样本中的大多数都属于某一个类别，则该样本也属于这个类别。其中k表示最近邻居的个数。

用二维的图例，说明knn算法，如下：

二维空间下数据之间的距离计算：

在n维空间两个数据之间: 在这里插入图片描述
2.具体步骤：
（1）计算待测试数据与各训练数据的距离
（2）将计算的距离进行由小到大排序
（3）找出距离最小的k个值
（4）计算找出的值中每个类别的频次
（5）返回频次最高的类别

二、鸢尾花数据集
Iris 鸢尾花数据集内包含 3 类分别为山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）和维吉尼亚鸢尾（Iris-virginica），共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于哪一品种。
iris数据集包含在sklearn库当中，具体在sklearn\datasets\data文件夹下，文件名为iris.csv。以本机为例。其路径如下：
D:\python\lib\site-packages\sklearn\datasets\data\iris.csv
其中数据如下格式：
在这里插入图片描述
第一行数据意义如下：
150：数据集中数据的总条数
4：特征值的类别数，即花萼长度、花萼宽度、花瓣长度、花瓣宽度。
setosa、versicolor、virginica：三种鸢尾花名

从第二行开始：
第一列为花萼长度值
第二列为花萼宽度值
第三列为花瓣长度值
第四列为花瓣宽度值
第五列对应是种类（三类鸢尾花分别用0，1，2表示）
三、算法实现
1.算法流程图：
在这里插入图片描述
从以上流程图可以看出，knn算法包含后四步操作，所以将整个程序分为三个模块。

2.具体实现
（1）方法一
①利用slearn库中的load_iris()导入iris数据集
②使用train_test_split()对数据集进行划分
③KNeighborsClassifier()设置邻居数
④利用fit()构建基于训练集的模型
⑤使用predict()进行预测
⑥使用score()进行模型评估
说明：本代码来源于《Python机器学习基础教程》在此仅供学习使用。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import numpy as np

# 载入数据集
iris_dataset = load_iris()

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], random_state=0)

# 设置邻居数
knn = KNeighborsClassifier(n_neighbors=1)

# 构建基于训练集的模型
knn.fit(X_train, y_train)


# 一条测试数据
X_new = np.array([[5, 2.9, 1, 0.2]])

# 对X_new预测结果
prediction = knn.predict(X_new)
print("预测值%d" % prediction)

# 得出测试集X_test测试集的分数
print("score:{:.2f}".format(knn.score(X_test,y_test)))

（2）方法二
①使用读取文件的方式，使用open、以及csv中的相关方法载入数据
②输入测试集和训练集的比率，对载入的数据使用shuffle()打乱后，计算训练集及测试集个数对特征值数据和对应的标签数据进行分割。
③将分割后的数据，计算测试集数据与每一个训练集的距离，使用norm()函数直接求二范数，或者载入数据使用np.sqrt(sum((test – train) ** 2))求得距离，使用argsort()将距离进行排序，并返回索引值，
④取出值最小的k个，获得其标签值，存进一个字典，标签值为键，出现次数为值，对字典进行按值的大小递减排序，将字典第一个键的值存入预测结果的列表中，计算完所有测试集数据后，返回一个列表。
⑤将预测结果与测试集本身的标签进行对比，得出分数。

import csv
import random
import numpy as np
import operator


def openfile(filename):

    """ 打开数据集，进行数据处理 :param filename: 数据集的路径 :return: 返回数据集的数据，标签，以及标签名 """

    with open(filename) as csv_file:
        data_file = csv.reader(csv_file)
        temp = next(data_file)

        # 数据集中数据的总数量
        n_samples = int(temp[0])

        # 数据集中特征值的种类个数
        n_features = int(temp[1])

        # 标签名
        target_names = np.array(temp[2:])

        # empty()函数构造一个未初始化的矩阵，行数为数据集数量，列数为特征值的种类个数
        data = np.empty((n_samples, n_features))

        # empty()函数构造一个未初始化的矩阵，行数为数据集数量，1列，数据格式为int
        target = np.empty((n_samples,), dtype=np.int)

        for i, j in enumerate(data_file):

            # 将数据集中的将数据转化为矩阵，数据格式为float
            # 将数据中从第一列到倒数第二列中的数据保存在data中
            data[i] = np.asarray(j[:-1], dtype=np.float64)

            # 将数据集中的将数据转化为矩阵，数据格式为int
            # 将数据集中倒数第一列中的数据保存在target中
            target[i] = np.asarray(j[-1], dtype=np.int)

    # 返回 数据，标签 和标签名
    return data, target, target_names


def random_number(data_size):
    """ 该函数使用shuffle()打乱一个包含从0到数据集大小的整数列表。因此每次运行程序划分不同，导致结果不同 改进： 可使用random设置随机种子，随机一个包含从0到数据集大小的整数列表，保证每次的划分结果相同。 :param data_size: 数据集大小 :return: 返回一个列表 """

    number_set = []
    for i in range(data_size):
        number_set.append(i)

    random.shuffle(number_set)

    return number_set


def split_data_set(data_set, target_data, rate=0.25):
    """ 说明：分割数据集，默认数据集的25%是测试集 :param data_set: 数据集 :param target_data: 标签数据 :param rate: 测试集所占的比率 :return: 返回训练集数据、训练集标签、训练集数据、训练集标签 """

    # 计算训练集的数据个数
    train_size = int((1-rate) * len(data_set))

    # 获得数据
    data_index = random_number(len(data_set))

    # 分割数据集（X表示数据，y表示标签），以返回的index为下标
    x_train = data_set[data_index[:train_size]]

    x_test = data_set[data_index[train_size:]]

    y_train = target_data[data_index[:train_size]]

    y_test = target_data[data_index[train_size:]]
    return x_train,  x_test, y_train, y_test


def data_diatance(x_test, x_train):
    """ :param x_test: 测试集 :param x_train: 训练集 :return: 返回计算的距离 """

    # sqrt_x = np.linalg.norm(test-train) # 使用norm求二范数（距离）
    distances = np.sqrt(sum((x_test - x_train) ** 2))
    return distances


def knn(x_test, x_train, y_train, k):
    """ :param x_test: 测试集数据 :param x_train: 训练集数据 :param y_train: 测试集标签 :param k: 邻居数 :return: 返回一个列表包含预测结果 """

    # 预测结果列表，用于存储测试集预测出来的结果
    predict_result_set=[]

    # 训练集的长度
    train_set_size = len(x_train)

    # 创建一个全零的矩阵，长度为训练集的长度
    distances = np.array(np.zeros(train_set_size))

    # 计算每一个测试集与每一个训练集的距离
    for i in x_test:
        for indx in range(train_set_size):

            # 计算数据之间的距离
            distances[indx] = data_diatance(i, x_train[indx])

        # 排序后的距离的下标
        sorted_dist = np.argsort(distances)

        class_count = { 
   }

        # 取出k个最短距离
        for i in range(k):

            # 获得下标所对应的标签值
            sort_label = y_train[sorted_dist[i]]

            # 将标签存入字典之中并存入个数
            class_count[sort_label]=class_count.get(sort_label, 0) + 1

        # 对标签进行排序
        sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)

        # 将出现频次最高的放入预测结果列表
        predict_result_set.append(sorted_class_count[0][0])

    # 返回预测结果列表
    return predict_result_set


def score(predict_result_set, y_test):
    """ :param predict_result_set: 预测结果列表 :param y_test: 测试集标签 :return: 返回测试集精度 """
    count = 0
    for i in range(0, len(predict_result_set)):
        if predict_result_set[i] == y_test[i]:
            count += 1

    score = count / len(predict_result_set)

    return score


if __name__ == "__main__":

    iris_dataset = openfile('iris.csv')
    # x_new = np.array([[5, 2.9, 1, 0.2]])
    x_train, x_test, y_train, y_test = split_data_set(iris_dataset[0], iris_dataset[1])
    result = knn(x_test,x_train, y_train, 6)
    print("原有标签:", y_test)

    # 为了方便对比查看，此处将预测结果转化为array,可直接打印结果
    print("预测结果：", np.array(result))
    score = score(result, y_test)
    print("测试集的精度：%.2f" % score)

四、运行结果

在这里插入图片描述
结果不同，因为每次划分的训练集和测试集不同，具体见random_number()方法。
五、总结
在本次使用python实现knn算法时，遇到了很多困难，如数据集的加载，数据的格式不能满足后续需要，因此阅读了sklearn库中的一部分代码，有选择性的进行了复用。数据与标签无法分离，或是数据与标签排序后后无法对应的情况，查询许多资料后使用argsort（）完美解决该问题。出现了n多错误，通过多次调试之后最终完成。