使用K-近邻算法改进约会网站的配对效果

浏览数：46 / 时间：2015年06月08日

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0
18     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 = 0
25     
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+1
36         index += 1
37         
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 plt
3 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()