mirror of
https://gitee.com/TheAlgorithms/Statistical-Learning-Method_Code.git
synced 2024-12-22 20:54:21 +08:00
178 lines
7.3 KiB
Python
178 lines
7.3 KiB
Python
#coding=utf-8
|
||
#Author:Dodo
|
||
#Date:2018-11-16
|
||
#Email:lvtengchao@pku.edu.cn
|
||
|
||
'''
|
||
数据集：Mnist
|
||
训练集数量：60000
|
||
测试集数量：10000（实际使用：200）
|
||
------------------------------
|
||
运行结果：（邻近k数量：25）
|
||
向量距离使用算法——欧式距离
|
||
正确率：97%
|
||
运行时长：308s
|
||
向量距离使用算法——曼哈顿距离
|
||
正确率：14%
|
||
运行时长：246s
|
||
'''
|
||
|
||
import numpy as np
|
||
import time
|
||
|
||
def loadData(fileName):
|
||
'''
|
||
加载文件
|
||
:param fileName:要加载的文件路径
|
||
:return: 数据集和标签集
|
||
'''
|
||
print('start read file')
|
||
#存放数据及标记
|
||
dataArr = []; labelArr = []
|
||
#读取文件
|
||
fr = open(fileName)
|
||
#遍历文件中的每一行
|
||
for line in fr.readlines():
|
||
#获取当前行，并按“，”切割成字段放入列表中
|
||
#strip：去掉每行字符串首尾指定的字符（默认空格或换行符）
|
||
#split：按照指定的字符将字符串切割成每个字段，返回列表形式
|
||
curLine = line.strip().split(',')
|
||
#将每行中除标记外的数据放入数据集中（curLine[0]为标记信息）
|
||
#在放入的同时将原先字符串形式的数据转换为整型
|
||
dataArr.append([int(num) for num in curLine[1:]])
|
||
#将标记信息放入标记集中
|
||
#放入的同时将标记转换为整型
|
||
labelArr.append(int(curLine[0]))
|
||
#返回数据集和标记
|
||
return dataArr, labelArr
|
||
|
||
def calcDist(x1, x2):
|
||
'''
|
||
计算两个样本点向量之间的距离
|
||
使用的是欧氏距离，即 样本点每个元素相减的平方 再求和 再开方
|
||
欧式举例公式这里不方便写，可以百度或谷歌欧式距离（也称欧几里得距离）
|
||
:param x1:向量1
|
||
:param x2:向量2
|
||
:return:向量之间的欧式距离
|
||
'''
|
||
return np.sqrt(np.sum(np.square(x1 - x2)))
|
||
|
||
#马哈顿距离计算公式
|
||
# return np.sum(x1 - x2)
|
||
|
||
|
||
|
||
|
||
def getClosest(trainDataMat, trainLabelMat, x, topK):
|
||
'''
|
||
预测样本x的标记。
|
||
获取方式通过找到与样本x最近的topK个点，并查看它们的标签。
|
||
查找里面占某类标签最多的那类标签
|
||
（书中3.1 3.2节）
|
||
:param trainDataMat:训练集数据集
|
||
:param trainLabelMat:训练集标签集
|
||
:param x:要预测的样本x
|
||
:param topK:选择参考最邻近样本的数目（样本数目的选择关系到正确率，详看3.2.3 K值的选择）
|
||
:return:预测的标记
|
||
'''
|
||
#建立一个存放向量x与每个训练集中样本距离的列表
|
||
#列表的长度为训练集的长度，distList[i]表示x与训练集中第
|
||
## i个样本的距离
|
||
distList = [0] * len(trainLabelMat)
|
||
#遍历训练集中所有的样本点，计算与x的距离
|
||
for i in range(len(trainDataMat)):
|
||
#获取训练集中当前样本的向量
|
||
x1 = trainDataMat[i]
|
||
#计算向量x与训练集样本x的距离
|
||
curDist = calcDist(x1, x)
|
||
#将距离放入对应的列表位置中
|
||
distList[i] = curDist
|
||
|
||
#对距离列表进行排序
|
||
#argsort：函数将数组的值从小到大排序后，并按照其相对应的索引值输出
|
||
#例如：
|
||
# >>> x = np.array([3, 1, 2])
|
||
# >>> np.argsort(x)
|
||
# array([1, 2, 0])
|
||
#返回的是列表中从小到大的元素索引值，对于我们这种需要查找最小距离的情况来说很合适
|
||
#array返回的是整个索引值列表，我们通过[:topK]取列表中前topL个放入list中。
|
||
#----------------优化点-------------------
|
||
#由于我们只取topK小的元素索引值，所以其实不需要对整个列表进行排序，而argsort是对整个
|
||
#列表进行排序的，存在时间上的浪费。字典有现成的方法可以只排序top大或top小，可以自行查阅
|
||
#对代码进行稍稍修改即可
|
||
#这里没有对其进行优化主要原因是KNN的时间耗费大头在计算向量与向量之间的距离上，由于向量高维
|
||
#所以计算时间需要很长，所以如果要提升时间，在这里优化的意义不大。（当然不是说就可以不优化了，
|
||
#主要是我太懒了）
|
||
topKList = np.argsort(np.array(distList))[:topK] #升序排序
|
||
#建立一个长度时的列表，用于选择数量最多的标记
|
||
#3.2.4提到了分类决策使用的是投票表决，topK个标记每人有一票，在数组中每个标记代表的位置中投入
|
||
#自己对应的地方，随后进行唱票选择最高票的标记
|
||
labelList = [0] * 10
|
||
#对topK个索引进行遍历
|
||
for index in topKList:
|
||
#trainLabelMat[index]：在训练集标签中寻找topK元素索引对应的标记
|
||
#int(trainLabelMat[index])：将标记转换为int（实际上已经是int了，但是不int的话，报错）
|
||
#labelList[int(trainLabelMat[index])]：找到标记在labelList中对应的位置
|
||
#最后加1，表示投了一票
|
||
labelList[int(trainLabelMat[index])] += 1
|
||
#max(labelList)：找到选票箱中票数最多的票数值
|
||
#labelList.index(max(labelList))：再根据最大值在列表中找到该值对应的索引，等同于预测的标记
|
||
return labelList.index(max(labelList))
|
||
|
||
|
||
def model_test(trainDataArr, trainLabelArr, testDataArr, testLabelArr, topK):
|
||
'''
|
||
测试正确率
|
||
:param trainDataArr:训练集数据集
|
||
:param trainLabelArr: 训练集标记
|
||
:param testDataArr: 测试集数据集
|
||
:param testLabelArr: 测试集标记
|
||
:param topK: 选择多少个邻近点参考
|
||
:return: 正确率
|
||
'''
|
||
print('start test')
|
||
#将所有列表转换为矩阵形式，方便运算
|
||
trainDataMat = np.mat(trainDataArr); trainLabelMat = np.mat(trainLabelArr).T
|
||
testDataMat = np.mat(testDataArr); testLabelMat = np.mat(testLabelArr).T
|
||
|
||
#错误值技术
|
||
errorCnt = 0
|
||
#遍历测试集，对每个测试集样本进行测试
|
||
#由于计算向量与向量之间的时间耗费太大，测试集有6000个样本，所以这里人为改成了
|
||
#测试200个样本点，如果要全跑，将行注释取消，再下一行for注释即可，同时下面的print
|
||
#和return也要相应的更换注释行
|
||
# for i in range(len(testDataMat)):
|
||
for i in range(200):
|
||
# print('test %d:%d'%(i, len(trainDataArr)))
|
||
print('test %d:%d' % (i, 200))
|
||
#读取测试集当前测试样本的向量
|
||
x = testDataMat[i]
|
||
#获取预测的标记
|
||
y = getClosest(trainDataMat, trainLabelMat, x, topK)
|
||
#如果预测标记与实际标记不符，错误值计数加1
|
||
if y != testLabelMat[i]: errorCnt += 1
|
||
|
||
#返回正确率
|
||
# return 1 - (errorCnt / len(testDataMat))
|
||
return 1 - (errorCnt / 200)
|
||
|
||
|
||
|
||
if __name__ == "__main__":
|
||
start = time.time()
|
||
|
||
#获取训练集
|
||
trainDataArr, trainLabelArr = loadData('../Mnist/mnist_train.csv')
|
||
#获取测试集
|
||
testDataArr, testLabelArr = loadData('../Mnist/mnist_test.csv')
|
||
#计算测试集正确率
|
||
accur = model_test(trainDataArr, trainLabelArr, testDataArr, testLabelArr, 25)
|
||
#打印正确率
|
||
print('accur is:%d'%(accur * 100), '%')
|
||
|
||
end = time.time()
|
||
#显示花费时间
|
||
print('time span:', end - start)
|
||
|
||
|