kNN算法怎么用python实现

本篇内容主要讲解"kNN算法怎么用python实现"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"kNN算法怎么用python实现"吧!

2.1 文本挖掘和文本分类的概念

1，文本挖掘：指从大量的文本数据中抽取事先未知的，可理解的，最终可使用的知识的过程，同时运用这些知识更好的组织信息以便将来参考。
简言之，就是从非结构化的文本中寻找知识的过程
2，文本挖掘的细分领域：搜索和信息检索(IR)，文本聚类，文本分类，Web挖掘，信息抽取(IE)，自然语言处理（NLP),概念提取。
3，文本分类：为用户给出的每个文档找到所属的正确类别
4，文本分类的应用：文本检索，垃圾邮件过滤，网页分层目录自动生成元数据，题材检测5，文本分类的方法：一是基于模式系统，二是分类模型

2.2 文本分类项目

中文语言的文本分类技术和流程:

1）预处理：去除文本的噪声信息：HTML标签，文本格式转换
2）中文分词：使用中文分词器为文本分词，并去除停用词
3）构建词向量空间：统计文本词频，生成文本的词向量空间
4 ) 权重策略--TF-IDF方法：使用TF-IDF发现特征词，并抽取为反映文档主题的特征
5）分类器：使用算法训练分类器
6）评价分类结果：分类器的测试结果分析

2.2.1 文本预处理：

文本处理的核心任务：将非结构化的文本转换为结构化的形式，即向量空间模型

文本处理之前需要对不同类型的文本进行预处理

文本预处理的步骤：

1，选择处理的文本的范围：整个文档或其中段落
2，建立分类文本语料库：
训练集语料：已经分好类的文本资源。（文件名:train_corpus_small）
测试集语料：待分类的文本语料（本项目的测试语料随机选自训练语料）（文件名：test_corpus）
3，文本格式转换：统一转换为纯文本格式。（注意问题：乱码）
4，检测句子边界：标记句子结束

2.2.2 中文分词介绍

1，中文分词：将一个汉字序列（句子）切分成一个单独的词（中文自然语言处理的核心问题）
2，中文分词的算法：基于概率图模型的条件随机场（CRF）
3，分词后文本的结构化表示：词向量空间模型，主题模型，依存句法的树表示，RDF的图表示
4，本项目的分词系统：采用jieba分词
5, jieba分词支持的分词模式：默认切分，全切分，搜索引擎切分
6，jieba分词的代码见文件：对未分词语料库进行分词并持久化对象到一个dat文件(创建分词后的语料文件：train_corpus_seg)

import sysimport osimport jiebareload(sys)sys.setdefaultencoding('utf-8')    def savefile(savpath,content):       fp = open(savepath,"wb")    fp.write(content)    fp.close()    def readfile(path):        fp = open(path,"rb")    content = fp.read()    fp.close()    return content            corpus_path = "train_corpus_small/"   seg_path = "train_corpus_seg/"  catelist = os.listdir(corpus_path) for mydir in catelist:           class_path = corpus_path+mydir+"/"      seg_dir = seg_path+mydir+"/"          if not os.path.exists(seg_dir):          os.makedirs(seg_dir)            file_list = os.listdir(class_path)          for file_path in file_list:              fullname = class_path+file_path            content = readfile(full.name).strip()           content = content.replace("\r\n","").strip()          content_seg = jieba.cut(content)                    savefile(seg_dir+file_path," ".join(content_seg))           print "中文语料分词结束"from sklearn.datasets.base import Bunchbunch = Bunch{target_name=[],label=[],filename=[],contents=[]}wordbag_path = "train_word_bad/train_set.dat"  seg_path = "train_corpus_seg/"   catelist = os.listdir(seg_path)  bunch.target_name.extend(catelist)   for mydir in catelist:         class_path = seg_path+mydir+"/"     file_list = os.listdir(class_path)        for file_path in file_list:             fullname = class_path+file_path            bunch.label.append(mydir)              bunch.filenames.append(fullname)          bunch.contents.append(readfile(fullname).strip())          file_obj = open(wordbad_path,"wb")  pickle.dump(bunch,file_obj)   file_obj.close()print "构建文本对象结束！！"

2.2.3 Scikit-Learn库简介

1，模块分类：

1）分类和回归算法：广义线性模型，支持向量机，kNN,朴素贝叶斯，决策树，特征选择
2）聚类算法：K-means
3）维度约简：PCA
4）模型选择:交叉验证
5）数据预处理：标准化，去除均值率和方差缩放，正规化，二值化，编码分类特征，缺失值的插补

2.2.4 向量空间模型：文本分类的结构化方法

1，向量空间模型：将文本表示为一个向量，该向量的每个特征表示为文本中出现的词2，停用词：文本分类前，自动过滤掉某些字或词，以节省储存空间。根据停用词表去除，表可下载。代码见文件

2.2.5 权重策略：TF-IDF方法

1，词向量空间模型：将文本中的词转换为数字，整个文本集转换为维度相等的词向量矩阵（简单理解，抽取出不重复的每个词，以词出现的次数表示文本）
2，归一化：指以概率的形式表示，例如：0，1/5,0,0,1/5,2/5,0,0,也称为：词频TF（仅针对该文档自身）
3，词条的文档频率IDF：针对所有文档的词频

TF-IDF权重策略：计算文本的权重向量

1，TF-IDF的含义：词频逆文档频率。如果某个词在一篇文章中出现的频率高（词频高），并且在其他文章中很少出现（文档频率低），则认为该词具有很好的类别区分能力，适合用来分类。IDF其实是对TF起抵消作用。
2，词频TF的定义：某一个给定的词语在该文件中出现的频率（对词数的归一化）
3，逆文件频率IDF：某一特定词语的IDF，由总文件数除以包含该词语的文件的数目，再将商取对数
4，TF-IDF的计算：TF与IDF的乘积
5，将分词后的持久化语料库文件dat利用TF-IDF策略转化，并持久化的代码见文件

import sysimport os from sklearn.datasets.base import Bunch  import cPickle as pickle  from sklearn import feature_extractionfrom sklearn.feature_extraction.text import TfidfTransformer   from sklearn.feature_extraction.text import TfidfVectorizer   reload(sys)sys.setdefaultencoding('utf-8')  def readbunchobj(path):       file_obj = open(path,"rb")    bunch = pickle.load(file_obj)      file_obj.cloase()    return bunch    def writebunchobj(path,bunchobj):       file_obj = open(path,"wb")    pickle.dump(bunchobj,file_obj)       file_obj.close()path = "train_word_bag/train_set.dat"  bunch = readbunchobj(path)   tfidfspace = Bunch(target_name=bunch.target_name,label=bunch.label,filenames=bunch.filenames,tdm=[],vocabulary=[])     vectorizer = TfidfVectorizer(stop_words=stpwrdlist,sublinear_tf=True,max_df=0.5)transformer=TfidfTransformer()   tfidfspace.tdm = vectorilzer.fit_transform(bunch.contents)  tfidfspace.vocabulary = vectorizer.vocabulary   space_path = "train_word_bag/tfidfspace.dat"   writebunchobj(space_path,tfidfspace)

2.2.6 使用朴素贝叶斯分类模块

常用的文本分类方法：kNN最近邻算法，朴素贝叶斯算法，支持向量机算法

本节选择朴素贝叶斯算法进行文本分类，测试集随机选取自训练集的文档集合，每个分类取10个文档

训练步骤和训练集相同：分词 (文件test_corpus) 》生成文件词向量文件 》 生成词向量模型。

（不同点：在训练词向量模型时，需加载训练集词袋，将测试集生成的词向量映射到训练集词袋的词典中，生成向量空间模型。）代码见文件。

path = "test_word_bag/test_set.dat"   bunch = readbunchobj(path)  testspace = Bunch(target_name=bunch.target_name,label+bunch.label,filenames=bunch.filenames.tdm=[],vocabulary=[])   trainbunch = readbunchobj("train_word_bag/tfidfspace.dat")  vectorizer=TfidfVectorizer(stop_words=stpwrdlst,sublinear_tf=True,max_df=0.5,vocabulary=trainbunch.vocabulary)transformer=TfidfTransformer()    testspace.tdm=vectorizer.fit_transform(bunch.contents)   testspace.vocabulary=trainbunch.vocabularyspace_path = "test_word_bag/testspace.dat"  writebunchobj(space_path,testspace)

执行多项式贝叶斯算法进行测试文本分类，并返回分类精度，代码见文件

from sklearn.naive_bayes import MultinomialNB trainpath = "train_word_bag/tfidfspace.dat"train_set = readbunchobj(trainpath)     testpath = "test_word_bag/testspace.dat"test_set = readbunchobj(testpath)        clf = MultinomialNB(alpha = 0.001).fit(train_set.tdm,train_set.label)predicted = clf.predict(test_set.tdm)total = len(predicted);rate = 0for flabel,file_name,expct_cate in zip(test_set.label,test_set.filenames,predicted):    if flabel !=expct_cate:        rate+=1        print file_name,":实际类别：",flabel,"-->预测类别：",expct-cate        print "error rate:",float(rate)*100/float(total),"%"

2.2.7 分类结果评估

机器学习领域的算法评估的指标：
（1）召回率（查全率）：检索出的相关文档数和文档库中所有的相关文档数的比率，是衡量检索系统的查全率
召回率=系统检索到的相关文件/系统所有相关的文档总数
（2）准确率（精度）：检索出的相关文档数与检索出的文档总数的比率
准确率=系统检索到的相关文件/系统所有检索到的文件总数
（3）Fp-Measure
Fp=(p2+1)PR/(p2P+R),P是准确率，R是召回率
p=1时，就是F1-Measure
文本分类项目的分类评估结果评估：代码见文件

import numpy as npfrom sklearn import metricsdef metrics_result(actual,predict):    print '精度：{0:3f}'.format(metrics.precision_score(actual,predict))    print '召回:{0:0.3f}'.format(metrics.recall_score(actual,predict))    print 'f1-score:{0:3f}'.format(metrics.f1_score(actual,predict))    metrics_result(test_set.label,predicted)

2.3 分类算法：朴素贝叶斯

本节主要讨论朴素贝叶斯算法的基本原理和python实现

2.3.1 贝叶斯公式推导

朴素贝叶斯文本分类的思想：它认为词袋中的两两词之间是相互独立的，即一个对象的特征向量中的每个维度都是相互独立的。
朴素贝叶斯分类的定义:
（1），设x={a1,a2,^am}为一个待分类项，而每个a为x的一个特征属性
（2），有类别集合C={y1,y2,……yn}.
（3），计算P(y1|x),P(y2|x),……,P(yn|x)
（4），如果P（yk|x）=max{P1,P2,……,Pn}，则x属于yk

-- 计算第（3）步的各个条件概率：
（1）找到一个已知分类的待分类集合，即训练集
（2）统计得到在各个类别下的各个特征属性的条件概率估计，即：
P(a1|y1),P(a2|y2),……，P(am|y1)
P(a1|y2),P(a2|y2),……，P（am|y2）
……
（3），如果各个特征属性是条件独立的，根据贝叶斯定理有：
P(yi|x) = P(x|yi)*P(yi)/P(x)
分母对于所有类别为常数，故只需将分子最大化即可

故，贝叶斯分类的流程为：
第一阶段 ：训练数据生成训练样本集：TF-IDF
第二阶段：对每个类别计算P(yi)
第三阶段：对每个特征属性计算所有划分的条件概率
第四阶段：对每个类别计算P(x|yi)P(yi)
第五阶段：以P(x|yi)P(yi)的最大项作为x的所属类别

2.3.2 朴素贝叶斯算法实现

样例：使用简单的英文语料作为数据集，代码见文件

def loadDataSet():    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],                 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],                 ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him','my'],                 ['stop', 'posting', 'stupid', 'worthless', 'garbage'],                 ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],                 ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]                        classVec = [0,1,0,1,0,1]             return postingList,classVec      class NBayes(object):         def __init__(self):               self.vocabulary = []          self.idf = 0                  self.tf = 0                   self.tdm = 0                  self.Pcates = {}              self.labels = []              self.doclength = 0            self.vocablen = 0             self.testset = 0              def train_set(self,trainset,classVec):          self.cate_prob(classVec)        self.doclength = len(trainset)         tempset = set()      [tempset.add(word) for doc in trainset for word in doc]             self.vocabulary = list(tempset)     self.vocablen = len(self.vocabulary)        self.calc_wordfreq(trainset)      self.build_tdm()          def cate_prob(self,classVec):      self.labels = classVec         labeltemps = set(self.labels)      for labeltemp in labeltemps:            self.labels.count(labeltemp)          self.Pcates[labeltemp] = float(self.labels.count(labeltemp))/float(len(self.labels))                        def calc_wordfred(self,trainset):           self.idf = np.zeros([1,self.vocablen])     self.tf = np.zeros([self.doclength,self.vocablen])             for indx in xrange(self.doclength):              for word in trainset[indx]:             self.tf[indx,self.vocabulary.index(word)] +=1                                            for signleword in set(trainset[indx]):              self.idf[0,self.vocabulary.index(signleword)] +=1                                      def build_tdm(self):       self.tdm = np.zeros([len(self.Pcates),self.vocablen])      sumlist = np.zeros([len(self.Pcates),1])              for indx in xrange(self.doclength):                                    self.tdm[self.labels[indx]] += self.tf[indx]                                   sumlist[self.labels[indx]] = np.sum(self.tdm[self.labels[indx]])                                                         self.tdm = self.tdm/sumlist             (3)-(5)函数都被train_set函数调用    def map2vocab(self,testdata):      self.testset = np.zeros([1,self.vocablen])      for word in testdata:            self.testset[0,self.vocabulary.index(word)] +=1               def predict(self,testset):        if np.shape(testset)[1] != self.vocablen:         print "输出错误"        exit(0)            predvalue = 0      predclass = ""          for tdm_vect,keyclass in zip(self.tdm,self.Pcates):                            temp = np.sum(testset*tdm_vect*self.Pacate[keyclass])                  if temp > predvalue:              predvalue = temp            predclass = keyclass    return predclass       def calc_tfidf(self,trainset):            self.idf = np.zeros([1,self.vocablen])       self.tf = np.zeros([self.doclength,self.vocablen])          for indx in xrange(self.doclength):           for word in trainset[indx]:                    self.tf[indx,self.vocabulary.index(word)]+=1                      self.tf[indx] = self.tf[indx]/float(len(trainset[indx]))                  for signleword in set(trainset[indx]):            self.idf[0,self.vocabulary.index(signleword)] +=1    self.idf = np.log(float(self.doclength)/self.idf)        self.tf = np.multiply(self.tf,self.idf)       import sysimport osfrom numpy import *import numpy as npfrom NBayes_lib import *dataSet,listClasses = loadDataSet()  nb = NBayes()  nb.train_set(dataSet,listClasses) nb.map2vocab(dataSet[0])   print nb.predict(nb.testset)

2.4 分类算法：KNN

KNN算法：计算向量间的距离衡量相似度来进行文本分类

2.4.1 KNN算法的原理

1，算法思想：如果一个样本在特征空间的k个最近邻（最近似）的样本中的大多数都属于某一类别，则该样本也属于这个类别，k是由自己定义的外部变量。

2，KNN算法的步骤：

第一阶段：确定k值（就是最近邻的个数），一般是奇数
第二阶段：确定距离度量公式，文本分类一般使用夹角余弦，得出待分类数据点与所有已知类别的样本点，从中选择距离最近的k个样本
夹角余弦公式：cos =AB/|A|*|B|
第三阶段:统计k个样本点中各个类别的数量，哪个类别的数量最多，就把数据点分为什么类别

2.4.2 kNN算法的python实现

import sysimport osfrom numpy import *import numpy as *import operatorfrom Nbayes_lib import *reload(sys)sys.setdefaultencoding('utf-8')k=3def cosdist(vector1,vector2):    return dot(vector1,vector2)/(linalg.norm(vector1)*linalg.norm(vector2))     def classify(testdata,trainSet,listClasses,k):    dataSetSize=trainSet.shape[0]         distances=array(zeros(dataSetSize))          for indx in xrange(dataSetSize):           distances[indx]=cosdist(testdata,trainSet[indx])        sortedDisIndicies=argsort(-distances)        classCount={}        for i in range(k)：voteIlabel=listClasses[sortedDistIndices[i]]                        classCount[voteIlabel]=classCount.get(voteIlabel,0) +1                                                    sortedClassCount=sorted(classCount.iteritem(),key=operator.itemgetter(1),reverse=True)        return sortedClassCount[0][0]           dataSet,listClasses=loadDataSet()nb.NBayes()nb.train_set(dataSet,listClasses)  print classify(nb.tf[3],nb.tf,listClasses,k)

到此，相信大家对"kNN算法怎么用python实现"有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！