Embedded Files
K-近鄰演算法(k-nearest neighbors，縮寫為KNN)屬於監督式學習，用於分類問題。透過樣本與樣本之間的距離進行分類，找尋未知分類元素的最接近的K個樣本，這K個樣本中的最多分類，就是這個元素的分類。
K-近鄰演算法使用距離進行分類，計算資料的距離類似計算座標點的距離，資料的每個欄位內容需要是數值，無法使用字串。若輸入資料欄位內容出現字串，可以選擇刪除該欄位或使用前一章決策樹介紹的LabelEncoder功能，將字串轉換成數值。
6-1 K-近鄰演算法的運作過程
K-近鄰演算法的運作過程如下。
Step1)計算所有訓練資料(已知分類)的距離。
Step2)找出測試資料(未知分類)最接近的K個訓練資料(已知分類)。
Step3)找出這K個訓練資料(已知分類)最多出現的分類，就是測試資料(未知分類)的分類。
假設有六個訓練資料(已知分類)分別為點(3,5)，(4,4)，(5,3)，(3,2)是同一組(代號為X)，左下方的點(2,3)，(2,2)為同一組(代號為○)，未知分類點(2.5, 2.5)不知道所屬分類，假設K=3，最接近未知分類點(2.5, 2.5)的三個點，有兩個是○組，一個是X組，所以未知分類點(2.5, 2.5)會被分類到○組。
6-2 使用sklearn實作K-近鄰演算法
使用sklearn實作K-近鄰演算法，將每筆訓練資料輸入K-近鄰演算法模型就可計算出每筆訓練資料的距離，接著使用測試資料評估此模型。使用sklearn實作K-近鄰演算法的步驟如下。
(1)輸入資料
train_X , test_X , train_y , test_y = train_test_split(X, y,test_size=0.2,random_state=42)
(2)建立與訓練模型
model = KNeighborsClassifier(n_neighbors=3)
model.fit(train_X, train_y)
(3)使用模型進行預測
pred_y = model.predict(test_X)
(4)使用正確率與混淆矩陣比較目標值與預測值的差異
print(model.score(test_X, test_y))
print(confusion_matrix(test_y, pred_y))
6-3 K-近鄰演算法模型實作範例
6-3-1 使用K-近鄰演算法預估鳶尾花種類
使用花瓣長度、花瓣寬度、萼片長度、萼片寬度經由K-近鄰演算法模型預估鳶尾花種類，本範例測資來自於sklearn.datasets的函式load_iris下載鳶尾花資料，匯入程式如下。
from sklearn.datasets import load_iris
iris = load_iris()
Step1)匯入資料
從sklearn.datasets的函式load_iris下載鳶尾花資料，並且轉換成DataFrame，當成K-近鄰演算法模型的訓練資料與測試資料。
程式說明
第1到9行：匯入函式庫。
第10行：設定繪圖的中文字型。
第11行：使用函式load_iris匯入鳶尾花資料集到變數iris。
第12行：讀取鳶尾花資料集的data，以鳶尾花資料集的陣列feature_names為行名稱轉換成DataFrame，當成模型的獨立變數到變數X。
第13行：讀取鳶尾花資料集的target，以Species為行名稱轉換成DataFrame，當成模型的相依變數到變數y。
第14行：以行為主方式串接X與y，使用變數df參考到此結果。
第15行：使用函式head顯示變數df前五筆資料。
Step2)檢查資料
要將資料輸入機器學習模型前，先要檢查資料是否有空值、資料筆數、欄位名稱、第一筆資料內容、第一筆預測目標值等。
程式說明
第1行：使用函式isnull檢查資料是否有空值，如果欄位有空值就會回傳True，轉換成數值1，加總結果就會是空值個數。
第2行：使用shape顯示資料的筆數。
第3行：函式keys顯示欄位名稱。
第4行：iloc顯示指定範圍的資料內容。
第5行：使用[]顯示指定欄位的資料內容。
Step3)分析資料、建立訓練資料與測試資料
(1)在進行機器學習之前，先將英文欄位名稱翻譯成中文
程式說明
第1到5行：使用函式rename，重新命名資料集的行名稱，「sepal length (cm)」對應「萼片長(公分)」，「sepal width (cm)」對應「萼片寬(公分)」，「petal length (cm)」對應「花瓣長(公分)」，「petal length (cm)」對應「花瓣寬(公分)」，「Species」對應「種類」，設定inplace為True，表示不建立新的資料集，直接修改原來的資料集。
第6到11行：設定字典irdict，「0」對應到「山鳶尾」，「1」對應到「染色鳶尾」，「2」對應到「維吉尼亞鳶尾」，使用函式map將字典irdict套用到「種類」欄位，將數值0到2轉換成鳶尾花中文名稱。
第12行：使用函式head顯示變數df前五筆資料。
第13行：使用函式groupby計算各種類鳶尾花個數。
(2)使用seaborn函式庫分析任兩欄位的資料分布情形
程式說明
第1行：使用函式figure建立新圖片。
第2行：使用函式pairplot繪製資料表df的所有欄位兩兩之間的關係，設定hue為「種類」，表示不同「種類」設定不同顏色，設定markers為「"o", "X", "D"」，表示第一個種類以「○」標示，第二個種類以「X」標示，第三個種類以「◇」標示，因為資料表df有4個欄位(去除「種類」欄位)，總共會有16張小圖表示兩兩之間關係。
第3行：使用函式show顯示圖片。
第4行：使用函式figure建立新圖片。
第5行：使用函式pairplot繪製資料表df的所有欄位兩兩之間的關係，設定hue為「種類」，表示不同「種類」設定不同顏色，設定markers為「"o", "X", "D"」，表示第一個種類以「○」標示，第二個種類以「X」標示，第三個種類以「◇」標示，設定vars為「"萼片長(公分)","花瓣長(公分)"」，只看這兩個欄位，總共會有4張小圖表示兩兩之間關係。
第6行：使用函式show顯示圖片。
(3)建立訓練資料與測試資料
程式說明
第1行：設定X為資料集df欄位「萼片長(公分)」、「萼片寬(公分)」、「花瓣長(公分)」、「花瓣寬(公分)」。
第2行：設定y為資料集df欄位「種類」。
第3行：使用函式train_test_split，以X為獨立變數，y為相依變數，隨機挑選出訓練集與測試集，原始資料的百分之70為訓練集，剩餘百分之30為測試集。
第4到5行：使用shape顯示訓練資料與測試資料的筆數。
Step4)建立與訓練模型
使用KNeighborsClassifier建立K-近鄰演算法模型，並輸入訓練資料進行訓練。
程式說明
第1行：建立K-近鄰演算法模型，設定n_neighbors為3，表示K值等於3。
第2行：輸入訓練資料train_X與train_y到模型進行訓練。
Step5)模型預測
使用測試資料進行模型預測，並計算模型的正確率與測試資料的混淆矩陣。
程式說明
第1行：以test_X為輸入，使用函式predict進行預測，變數pred_y參考到此結果。
第2行：使用函式accuracy_score計算正確率。
第3行：計算測試資料的混淆矩陣。
發現本範例正確率達100%，表示使用K-近鄰演算法模型可以完美分類三種鳶尾花。
Step6) 找出最適合的K值
本範例已知只有三種鳶尾花，所以K值一定選用3。當不確定K值時，可以使用迴圈測試每一個K值，每次輸入訓練資料到K-近鄰演算法模型，再使用測試資料進行估算正確率，就可以找到正確率最高的K值。
程式說明
第1行：宣告accuracy為空陣列。
第2到6行：使用for迴圈計算不同n_neighbors對KNeighborsClassifier的影響，迴圈變數i由3到49每次遞增1。
第3行：將此迴圈變數i設定給n_neighbors，讓KNeighborsClassifier的n_neighbors由3到49每次遞增1，變數model參考到此結果。
第4行：輸入訓練資料train_X與train_y到模型進行訓練。
第5行：以test_X為輸入，使用函式predict進行預測，變數pred_y參考到此結果。
第6行：使用函式accuracy_score計算正確率，將每種n_neighbors的正確率儲存到陣列accuracy。
第7行：設定變數i為3到到49，每次遞增1。
第8行：畫出X軸為變數i與Y軸為正確率(陣列accuracy)的折線圖。
第9行：使用函式show顯示折線圖到螢幕上。
6-3-2使用K-近鄰演算法預估蘑菇是否有毒
(6-3-2使用K-近鄰演算法預估蘑菇是否有毒.ipynb)
使用蘑菇的各種外觀屬性、顏色、氣味等資訊，經由K-近鄰演算法模型預估蘑菇是否有毒。本範例測資來自於Kaggle網站，可以從以下網址下載mushrooms.csv。 https://www.kaggle.com/uciml/mushroom-classification
Step1)匯入資料
匯入mushrooms.csv並且轉換成DataFrame，當成K-近鄰演算法模型的訓練資料與測試資料。
程式說明
第1到9行：匯入函式庫。
第10行：匯入mushrooms.csv並轉換成DataFrame，變數df參考到此結果。
第11行：使用函式head顯示變數df前五筆資料。
Step2)檢查資料
將資料輸入機器學習模型前，先要檢查資料是否有空值、資料筆數、欄位名稱、第一筆資料內容、第一筆目標值等。
程式說明
第1行：使用函式isnull檢查資料是否有空值，如果欄位有空值就會回傳True，轉換成數值1，加總結果就會是空值個數。
第2行：使用shape顯示資料的筆數。
第3行：函式keys顯示欄位名稱。
第4行：iloc顯示指定範圍的資料內容。
第5行：使用[]顯示指定欄位的資料內容。
Step3)建立訓練資料與測試資料
(1)字串轉數值
程式說明
第1到3行：使用LabelEncoder與迴圈，將所有字串資料轉換成數值。
第4行：使用函式head顯示變數df前五筆資料。
(2)建立訓練資料與測試資料
程式說明
第1行：設定X為資料集df刪除欄位「class」。
第2行：設定y為資料集df欄位「class」。
第3行：使用函式train_test_split，以X為獨立變數，y為相依變數，隨機挑選出訓練集與測試集，原始資料的百分之80為訓練集，剩餘百分之20為測試集，設定random_state為42。
第4到6行：使用StandardScaler標準化輸入資料train_X與test_X，讓平均值為0，標準差平方為1。
第7到8行：使用shape顯示訓練資料與測試資料的筆數。
Step4)建立與訓練模型
使用KNeighborsClassifier建立K-近鄰演算法模型，並輸入訓練資料進行訓練。
程式說明
第1行：建立K-近鄰演算法模型，設定n_neighbors為2，表示K值等於2。
第2行：輸入訓練資料train_X_std與train_y到模型進行訓練。
Step5)模型預測
使用測試資料進行模型預測，並計算模型的正確率與測試資料的混淆矩陣。
程式說明
第1行：以test_X_std為輸入，使用函式predict進行預測，變數pred_y參考到此結果。
第2行：使用函式accuracy_score計算正確率。
第3行：計算測試資料的混淆矩陣。
Page updated
Google Sites
Report abuse