**
一、实验报告
**
1、 实验目的:使用KNN算法实现对iris数据集的分类
2、 实验要求:(1)5次随机选取,对比分类准确率(2)探讨不同k值对分类准确率的影响
二、实验内容
1、 数据预处理
调用numpy库读取Iris.txt数据集,使用shuffle随机打乱数据,用replace函数把最后一列label替换成012,便于数据处理。用切片函数iloc将原始数据拆分成为data和label数据训练集和测试集按照设置好的比例分配返回训练集与测试集
2、 模型构建
定义一个计算欧式距离的函数,test数据减去train数据,再平方,把每个特征相加,最好开方。
KNN算法原理:计算出样本数据和测试数据的欧氏距离距离为测试数据选择k个与其距离最小的样本统计出k个样本所在类别的出现频率返回前K个点中出现频率最高的类别作为测试数据的预测分类
实现:定义一个空的预测列表,得到每个训练数据的长度用两次for循环计算每一个测试集与每一个训练集的距离,使用argsort函数从低到高排序并返回索引,定义一个空计数列表count用for循环,每一次循环获得下标所对应的标签值,将标签存入字典之中并存入个数,取出k个最短距离用sorted函数对标签进行排序,将出现频次最高的列表放入预测列表中,循环结束return预测列表
3、 计算准确度计算在测试数据集中算法正确预测的比例。
4、 主函数设计
设定好训练集和测试集比例0.3,用for循环设置k的值,从2到20取值,输出精度,并绘制图如下所示:
三、 结果分析
KNN算法易于实现,无需估计参数,K值用于选择最近邻的数目,K的选择非常敏感。K值越小意味着模型复杂度越高,从而容易产生过拟合;K值越大则 意味着整体的模型变得简单,学习的近似误差会增大,由于数据集很小,并每次都随机选取,每次测试结果会有所变动,通过结果对比k值 取5、6、7准确率比较高。
四、 代码
import operatorimport numpy as npimport matplotlib.pyplot as pltimport pandas as pdfrom sklearn.utils import shuffledef split_data_set(path, split_rate):list1 = pd.read_csv(path)list1 = shuffle(list1)total_length = len(list1)split_point = int(total_length * split_rate)list1 = list1.replace("Iris-setosa", "0")list1 = list1.replace("Iris-versicolor", "1")list1 = list1.replace("Iris-virginica", "2")x = list1.iloc[:, 0:4]x_train = x.iloc[:split_point, :]x_test = x.iloc[split_point:total_length + 1, :]y = list1.iloc[:, 4]y_train = y.iloc[:split_point]y_test = y.iloc[split_point:total_length + 1]return np.array(x_train), np.array(x_test), np.array(y_train), np.array(y_test)def data_diatance(x_test, x_train):distances = np.sqrt(sum((x_test - x_train) ** 2))return distancesdef knn(x_test, x_train, y_train, k):predict_result_set = []train_set_size = len(x_train)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]]class_count[sort_label] = class_count.get(sort_label, 0) + 1sorted_class_count = sorted(class_count.items(), key=operator.itemgetter(1), reverse=True)predict_result_set.append(sorted_class_count[0][0])return predict_result_setdef score(predict_result_set, y_test):count = 0for i in range(0, len(predict_result_set)):if predict_result_set[i] == y_test[i]:count += 1score = count / len(predict_result_set)return scoreif __name__ == "__main__":# 载入数据集path = 'Iris.txt'split_rate = 0.3x_train, x_test, y_train, y_test=split_data_set(path,split_rate)X = []Y = []for k in range(2, 20):result = knn(x_test, x_train, y_train, k)# 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))acc = score(result, y_test)X.append(k)Y.append(acc)# print("测试集的精度:%.2f" % acc)print(X, Y)plt.xlabel('k')plt.ylabel('acc')plt.plot(X, Y)plt.show()
五、KNN的分析与改进
存在优点:逻辑简单,对于异常值点不敏感,分类效果好
存在缺点:
(1)如果样本的类别不平衡,k个值里面 ,只考虑样本类别数量,没有考虑到相对距离,假如和其中一个离的非常近,其他点相对较远,这样会造成很大误差
(2)需要存储所有的训练数据,占用内存大,计算量大。
解决思路:
(1)可以在k个值里面,距离加上权重,距离越大权重越小,距离越小权重越大。
(2)采用分组快速搜索近邻法,先按照近邻关系分组,求出质心,用质心来与测试点求距离,选出若干组,在进行knn算法。