使用k-近邻算法改进约会网站的配对效果

1、问题背景

     海伦一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选，但她并不喜欢每一个人。经过一番总结，她发现曾交往过三种类型的人：

     类型一、 不喜欢的人

     类型二、魅力一般的人

     类型三、极具魅力的人

     尽管发现了上述规律，但海伦依然无法将约会网站推荐的匹配对象归入恰当的分类。她觉得可以在周一到周五约会那些魅力一般的人，而周末则更喜欢与那些极具魅力的人为伴。

       可以使用k-mean方法，帮助她将匹配对象划分到确切的分类中。此外海伦还收集了一些约会网站未曾记录的数据信息，她认为这些数据更有助于匹配对象的归类。

2、如何使用k-mean算法来实现

（1）收集数据：提供文本文件。

（2）准备数据：使用Python解析文本文件。

（3）分析数据：使用Matplotlib画二维扩散图。

（4）训练算法：此步骤不适用于k-近邻算法。

（5）测试算法：使用海伦提供的部分数据作为测试样本。测试样本和非测试样本的区别在于：测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误。

（6）使用算法：产生简单的命令行程序，然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。

3、（1）从文本文件中解析数据

      将海伦收集的约会数据，存放在文本文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。样本主要包含以下3种特征：

     (a)每年获得的飞行常客里程数

     (b)玩视频游戏所耗时间百分比

     (c)每周消费的冰淇淋公升数

    在将上述特征数据输入到分类器之前，必须将待处理数据的格式改变为分类器可以接受的格式。

 1）使用函数file2matrix读取文件数据

    在kNN.py中创建名为file2matrix的函数，以此来处理输入格式问题。该函数的输入为文件名字符串，输出为训练样本矩阵和类标签向量。

    将下面的代码增加到kNN.py中。

4、读取文件数据，进行格式化处理，并存贮在相应的数组中。

5、2）在python命令行输入下面代码：

>>>import kNN

>>>import imp

>>>imp.reload(kNN)

>>>datingDataMat,datingLabels=kNN.file2matrix('D:\\mymodule\datingTestSet2.txt')%后面是当前目录，每个用户目录是变化的

>>>datingDataMat

>>>datingLabels

6、（2）分析数据： 使用Matplotlib 创建散点图

     在Python命令 行环境中，输入下列命令:

>>> import matplotlib

>>> import matplotlib. pyplot as plt

>>> fig = plt. figure ()

>>> ax = fig. add_ subplot (111)

>>> ax. scatter (datingDataMat[:,1]，dat ingDataMat[:,2])

>>> plt . show()

7、散点图使用datingDataMat矩阵的第二、第三列数据，分别表示特征值“玩视频游戏所耗时间百分比”和“每周所消费的冰淇淋公升数

8、（3）准备数据：归一化数值

     为避免数字差值最大的属性对计算结果的影响，需要对各种因素进行归一化。

>>>import imp

>>>imp.reload(kNN)   

>>>normMat,ranges,minVals = kNN.autoNorm(datingDataMat)

>>>normMat

>>>ranges

9、（4）测试算法：作为完整程序验证分类器

    为了测试分类器效果，在kNN.py文件中创建函数datingClassTest，该函数是自包含的，你可以在任何时候在Python运行环境中使用该函数测试分类器效果。在kNN.py文件中输入下面的程序代码。