R语言与机器学习(分类算法)K-近邻算法

最近在学习数据挖掘,对数据挖掘中的算法比较感兴趣,打算整理分享一下学习情况,顺便利用R来实现一下数据挖掘算法。

数据挖掘里我打算整理的内容有:分类,聚类分析,关联分析,异常检测四大部分。其中分类算法主要介绍:K-近邻算法,决策树算法,朴素贝叶斯算法,支持向量机,神经网络,logistic回归。

写这份学习笔记主要以学校data mining课程的课件为主,会参考一堆的baidu,一堆的google,一堆的blog,一堆的book以及一堆乱七八糟的资料,由于精力有限,恕不能一一列出,如果有认为有侵权行为欢迎与我联系,保证及时删除。

这篇文章是我博客数据挖掘系列的第一篇文章,介绍分类算法中最基本的算法——k近邻算法。

算法一:K-近邻算法

原理及举例

工作原理:我们知道样本集中每一个数据与所属分类的对应关系,输入没有标签的新数据后,将新数据与训练集的数据对应特征进行比较,找出“距离”最近的k(通常k<20)数据,选择这k个数据中出现最多的分类作为新数据的分类。

算法描述:

(1) 计算已知类别数据及中的点与当前点的距离;

(2) 按距离递增次序排序

(3) 选取与当前点距离最小的k个点

(4) 确定前K个点所在类别出现的频率

(5) 返回频率最高的类别作为当前类别的预测

距离计算方法有"euclidean"(欧氏距离),”minkowski”(明科夫斯基距离), "maximum"(切比雪夫距离), "manhattan"(绝对值距离),"canberra"(兰式距离), 或 "minkowski"(马氏距离)等.

分析学的知识告诉我们Rn上范数之间是等价的,所以我们也没必要太过纠结选谁,毕竟范数之间都是可以相互控制的。

这里我们使用最常见欧氏距离作为衡量标准,以鸢尾花数据集为例来说明K-近邻算法:

鸢尾花数据集包含150个数据,测量变量为花瓣,花萼的长度与宽度,分类变量为setosa, versicolor, 和 virginica。

准备数据:

为了了解数据,我们先通过作图分析,相关分析来看看数据分类指标的合理性,这一点十分重要,有助于减少分类指标中的噪声。

从上图可以看出,我们通过这2个变量大致是可以把鸢尾花分类的,也就是说分类的特征变量选择是合理的,(同理可以分析另外2个,分类效果不如这两个,但大致上还是能区分的)当然我们也可以选择计算相关系数来看特征变量的合理性。

我们很容易发现,数值差最大的属性对距离的影响最大,所以在特征值等权重的假定下,我们先得归一化特征值,计算公式为:

Newvalue=(oldvalue-min)/(max-min)

(注:网友指出归一化的提法不太合适,也的确如此,我们这里将本文的“归一化”理解为一种“标准化”就好,感谢指正)

R代码:

[plain] view plaincopyprint?

  1. autonorm<-function(data){
  2. min<-min(data)
  3. max<-max(data)
  4. for(i in 1:length(data))
  5. data[i]<-(data[i]-min)/(max-min)
  6. return(data)
  7. }
  8. data<-apply(as.matrix(iris[,1:4]),2,autonorm)

得到了归一化后的数据集,下面计算距离。我们在这里取三个数据作为验证集来看看分类的效果,首先将验证集归一化:

[plain] view plaincopyprint

  1. x<-iris[13,1:4]
  2. y<-iris[79,1:4]
  3. z<-iris[100,1:4]
  4. x<-(x-apply(iris[c(-13,-79,-100),1:4],2,min))/(apply(iris[c(-13,-79,-100),1:4],2,max)-apply(iris[c(-13,-79,-100),1:4],2,min))
  5. y<-(y-apply(iris[c(-13,-79,-100),1:4],2,min))/(apply(iris[c(-13,-79,-100),1:4],2,max)-apply(iris[c(-13,-79,-100),1:4],2,min))
  6. z<-(z-apply(iris[c(-13,-79,-100),1:4],2,min))/(apply(iris[c(-13,-79,-100),1:4],2,max)-apply(iris[c(-13,-79,-100),1:4],2,min))

计算距离,仅以Z为例,运行代码:(k取5)

[plain] view plaincopyprint

  1. dis<-rep(0,length(data[,1]))
  2. for(iin 1:length(data[,1]))
  3. dis[i]<-sqrt(sum((z-data[i,1:4])^2))
  4. table(data[order(dis)[1:5],5])

从x,y,z的输出结果可以看到,分类完全正确,没有错误分类。

值得一提的是,我们用同样的办法计算K=3时的情形,会发现没有出现误分类。这也就引出了一个值得思考的问题:k应该如何选取?k过小,噪声对分类的影响就会变得非常大,K过大,那么包含错误就理所当然,误分类也不足为奇。虽然这里我们对K的取值并未进行讨论,但在实际中,我们应该通过交叉验证的办法来确定k值

R语言内置函数kknn简介

R语言里的kknn包也可以实现最邻近算法——使用kknn函数。

kknn(formula = formula(train),train, test, na.action = na.omit(),

k= 7, distance = 2, kernel = "optimal", ykernel = NULL, scale=TRUE,

contrasts= c('unordered' = "contr.dummy", ordered ="contr.ordinal"))

参数解释:

formula 一个回归模型,具体为:分类变量~特征变量

train 训练集

test 测试集

na.action 缺失值处理,默认为去掉缺失值

k k值选择,默认为7

distance 这个是明科夫斯基距离,p=2时为欧氏距离

其他参数 略

上面的鸢尾花例子使用kknn包可以实现(k=5):

[plain] view plaincopyprint

  1. library(kknn)
  2. data(iris)
  3. m <- dim(iris)[1]
  4. val <- sample(1:m, size =round(m/3), replace = FALSE,
  5. prob= rep(1/m, m))
  6. iris.learn <- iris[-val,]
  7. iris.valid <- iris[val,]
  8. iris.kknn <- kknn(Species~.,iris.learn, iris.valid, distance = 5,
  9. kernel= "triangular")
  10. summary(iris.kknn)
  11. fit <- fitted(iris.kknn)
  12. table(iris.valid$Species, fit)

这里我们的训练集选取更随机化,得到结果是:

fit

setosa versicolor virginica

setosa 12 0 0

versicolor 0 22 0

virginica 0 0 16

分类完全正确。

应用举例:手写数字识别

下面我们来做一个规模大一些的数据处理,利用k-近邻实现一下数字的模式识别。这个例子来自《机器学习实战》,具体数据集看文章末尾提示获取。数据为了简单起见,仅提供0~9,10个数字的识别。需要识别的数字你可以看做是被图像处理软件处理为了32*32的黑白图像。尽管文本格式储存图片不能够有效地利用存储空间,但是为了方便理解还是提供了这个文本版的图片数据。至于图像版本的数据,你可以找到《手写数字的光学识别》一文(登载于2010年的UCI机器学习资料库中)的数据集合,并下载它。

完整的R实现:

[plain] view plaincopyprint

  1. setwd("D:/R/data/digits/trainingDigits")
  2. names<-list.files("D:/R/data/digits/trainingDigits")
  3. data<-paste("train",1:1934,sep="")
  4. for(i in 1:length(names))
  5. assign(data[i],as.matrix(read.fwf(names[i],widths=rep(1,32))))
  6. dis<-function(datatest,datatrain,len){
  7. distance<-rep(0,len)
  8. for(i in 1:len)
  9. distance[i]<-sqrt(sum((get(datatest)-get(datatrain[i]))^2))
  10. return((distance))
  11. }
  12. judge<-function(test,data,names){
  13. index<-rep(0:9,c(189,198,195,199,186,187,195,201,180,204))
  14. di<-rep(0,1934)
  15. di[1:1934]<-dis(test,data,length(names))
  16. return(names(which.max(table(index[order(di)[1:5]]))))
  17. }
  18. setwd("D:/R/data/digits/testDigits")
  19. name<-list.files("D:/R/data/digits/testDigits")
  20. test<-paste("test",1:946,sep="")
  21. for(i in 1:length(name))
  22. assign(test[i],as.matrix(read.fwf(name[i],widths=rep(1,32))))
  23. index1<-rep(0:9,c(87,97,92,85,114,108,87,96,91,89))
  24. error<-0
  25. for(i in 1:946){
  26. if(judge(test[i],data,names)!=index1[i])
  27. error<-error+1
  28. }

运行结果:

>error

[1]19

>19/946

[1]0.02008457

也就是说,使用5-近邻算法,误差率为2%,属于一个可以接受的范围。

这里由于本人没有找到较好的批量导入数据的办法,所以代码有些复杂,也出现了hardcode和magicnumber的毛病,但是泛化也不是那么的复杂,所以也没再做更进一步的改进。

其中有两个函数是我在之前的博客中没有使用过的,现在简单介绍如下:

赋值函数assign:

assign("x", c(10.4, 5.6, 3.1, 6.4, 21.7)) 与x <- c(10.4,5.6, 3.1, 6.4, 21.7)等价

读取赋值函数的函数get:

a<- 1:4

assign("a[1]",2)

a[1]== 2 #FALSE

get("a[1]") == 2 #TRUE

在R中,我没有找到求众数的函数,简单编写了一个names(which.max(table(index[order(di)[1:5]]))),这个函数有两个众数时会输出两个,所以K近邻为了保证多数投票法有用,麻烦仔细选择合理的k值。

这里我在做训练集时并没有选择k值得过程(因为这个算法实在是太慢了,没有那个耐心)

实际使用这个算法,执行效率相当的低下,每个距离的计算包含了1024个维度的浮点运算,总计900多次,还要为测试向量准备2M的存储空间。所以k决策树是你需要进一步了解的。

K决策树的种类也有不少,比如kd树,但是他们的问题就是k的选取总是一个麻烦的过程,kd树找最近邻是十分高效的,但是找k近邻,删除结点重新建树还是比较麻烦的。

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2015-08-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏WOLFRAM

版本11.2——追求极致的极限

1724
来自专栏Python数据科学

【Python数据分析基础】: 异常值检测和处理

在机器学习中,异常检测和处理是一个比较小的分支,或者说,是机器学习的一个副产物,因为在一般的预测问题中,模型通常是对整体样本数据结构的一种表达方式,这种表达方式...

1002
来自专栏新智元

【榜单】计算机科学中最重要的32个算法

【新智元导读】 奥地利符号计算研究所(Research Institute for Symbolic Computation,简称RISC)的Christoph...

3517
来自专栏进击的程序猿

经典检索算法:BM25原理

bm25 是一种用来评价搜索词和文档之间相关性的算法,它是一种基于概率检索模型提出的算法,再用简单的话来描述下bm25算法:我们有一个query和一批文档Ds,...

1271
来自专栏深度学习自然语言处理

【收藏版】长文详解基于并行计算的条件随机场

之前写过CRF的详解,只是为了让大家详细了解下原理,但是那种是没有优化的,速度很慢。在实际应用中,还是需要用到batch,也就是需要用到GPU的,那么此时并行计...

672
来自专栏PPV课数据科学社区

机器学习系列:(五)决策树——非线性回归与分类

决策树——非线性回归与分类 前面几章,我们介绍的模型都是广义线性模型,基本方法都是通过联接方程构建解释变量与若干响应变量的关联关系。我们用多元线性回归解决回归问...

3176
来自专栏懒人开发

(11.1)James Stewart Calculus 5th Edition:Sequences

我们可以发现分母是 5^n, 符号是 (-1)^(n+1), 分子是 (n+2) 所以有

642
来自专栏AI研习社

如何有效处理特征范围差异大且类型不一的数据?

原题目如下: 1. 特征类型混杂: 连续变量,离散变量,描述变量共存 2. 不同变量之间取值差异大: 例如有些变量取值在 0~1 但有些取值为 10000-5...

3977
来自专栏大数据挖掘DT机器学习

数据挖掘18大算法实现以及其他相关经典DM算法

算法使用方法在每个算法中给出了3大类型,主算法程序,调用程序,输入数据,调用方法如下: 将需要数据的测试数据转化成与给定的输入格式相同,然后以Client类...

3529
来自专栏深度学习之tensorflow实战篇

归一化与标准化详解

归一化(Normalization) 1.把数据变为(0,1)之间的小数。主要是为了方便数据处理,因为将数据映射到0~1范围之内,可以使处理过程更加便捷、快速。...

4368

扫码关注云+社区