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!
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
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
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
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
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！！"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
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
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
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)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),"%"
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)本节主要讨论朴素贝叶斯算法的基本原理和python实现
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
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)KNN算法：计算向量间的距离衡量相似度来进行文本分类
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
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！这里是亿速云网站，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！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
