在Ignite中使用k-最近邻(k-NN)分类算法-白红宇

在Ignite中使用k-最近邻(k-NN)分类算法

阅读量：7297 次

发布时间：2019-06-30

本文共 4378 字，大约阅读时间需要 14 分钟。

在本系列前面的文章中，简单介绍了一下Ignite的线性回归算法，下面会尝试另一个机器学习算法，即k-最近邻(k-NN)分类。该算法基于对象k个最近邻中最常见的类来对对象进行分类，可用于确定类成员的关系。

一个适合k-NN分类的数据集是鸢尾花数据集，它可以很容易地通过UCI网站获得。

鸢尾花数据集由150个样本组成，来自3种不同种类的鸢尾花各有50朵（Iris Setosa, Iris Versicolour和Iris Virginica）。以下四个特征可供每个样本使用：

萼片长度（cm）

萼片宽度（cm）

花瓣长度（cm）

花瓣宽度（cm）

下面会创建一个模型，利用这四个特征区分不同的物种。

首先，要获取原始数据并将其拆分成训练数据（60%）和测试数据（40%）。然后再次使用Scikit-learn来执行这个任务，下面修改一下前一篇文章中使用的代码，如下：

from sklearn import datasets

import pandas as pd

# Load Iris dataset.

iris_dataset = datasets.load_iris()

x = iris_dataset.data

y = iris_dataset.target

# Split it into train and test subsets.

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.4, random_state=23)

# Save train set.

train_ds = pd.DataFrame(x_train, columns=iris_dataset.feature_names)

train_ds["TARGET"] = y_train

train_ds.to_csv("iris-train.csv", index=False, header=None)

# Save test set.

test_ds = pd.DataFrame(x_test, columns=iris_dataset.feature_names)

test_ds["TARGET"] = y_test

test_ds.to_csv("iris-test.csv", index=False, header=None)

当训练和测试数据准备好之后，就可以写应用了，本文的算法是：

读取训练数据和测试数据；

在Ignite中保存训练数据和测试数据；

使用训练数据拟合k-NN模型；

将模型应用于测试数据；

确定模型的准确性。

读取训练数据和测试数据

需要读取两个有5列的CSV文件，一个是训练数据，一个是测试数据，5列分别为：

萼片长度（cm）

萼片宽度（cm）

花瓣长度（cm）

花瓣宽度（cm）

花的种类（0：Iris Setosa，1：Iris Versicolour，2：Iris Virginica）

通过下面的代码，可以从CSV文件中读取数据：

private static void loadData(String fileName, IgniteCache<Integer, IrisObservation> cache)

throws FileNotFoundException {

Scanner scanner = new Scanner(new File(fileName));

int cnt = 0;

while (scanner.hasNextLine(www.fengshen157.com)) {

String row = scanner.nextLine();

String[] cells = row.split(",");

double[] features = new double[cells.length - 1];

for (int i = 0; i < cells.length - 1; i++)

features[i] = Double.valueOf(cells[i]);

double flowerClass = Double.valueOf(cells[cells.length - 1]);

cache.put(cnt++, new IrisObservation(features, flowerClass));

}

该代码简单地一行行的读取数据，然后对于每一行，使用CSV的分隔符拆分出字段，每个字段之后将转换成double类型并且存入Ignite。

将训练数据和测试数据存入Ignite

前面的代码将数据存入Ignite，要使用这个代码，首先要创建Ignite存储，如下：

IgniteCache<Integer, IrisObservation> www.gcyL157.com trainData = getCache(ignite, "IRIS_TRAIN");

IgniteCache<Integer, IrisObservation> testData = getCache(ignite, "IRIS_TEST");

loadData("src/main/resources/iris-train.csv", trainData);

loadData("src/main/resources/iris-test.csv", testData);

getCache()的实现如下：

private static IgniteCache<Integer, www.dfgjpt.com/ IrisObservation> getCache(Ignite ignite, String cacheName) {

CacheConfiguration<Integer, IrisObservation>www.michenggw.com cacheConfiguration = new CacheConfiguration<>();

cacheConfiguration.setName(cacheName);

cacheConfiguration.setAffinity(new www.mhylpt.com RendezvousAffinityFunction(false, 10));

IgniteCache<Integer, IrisObservation> cache = ignite.createCache(cacheConfiguration);

return cache;

}

使用训练数据拟合k-NN分类模型

数据存储之后，可以像下面这样创建训练器：

KNNClassificationTrainer trainer = new KNNClassificationTrainer();

然后拟合训练数据，如下：

KNNClassificationModel mdl = trainer.fit(

ignite,

trainData,

(k, v) -> v.getFeatures(),

// Feature extractor.

(k, v) -> v.getFlowerClass())

// Label extractor.

.withK(3)

.withDistanceMeasure(new EuclideanDistance())

.withStrategy(KNNStrategy.WEIGHTED);

Ignite将数据保存为键-值(K-V)格式，因此上面的代码使用了值部分，目标值是Flower类，特征在其它列中。将k的值设为3，代表3种。对于距离测量，可以有几个选择，如欧几里德、汉明或曼哈顿，在本例中使用欧几里德。最后要指定是使用SIMPLE算法还是使用WEIGHTED k-NN算法，在本例中使用WEIGHTED。

将模型应用于测试数据

下一步，就可以用训练好的分类模型测试测试数据了，可以这样做：

int amountOfErrors = 0;

int totalAmount = 0;

try (QueryCursor<Cache.Entry<Integer, IrisObservation>> cursor = testData.query(new ScanQuery<>())) {

for (Cache.Entry<Integer, IrisObservation> testEntry : cursor) {

IrisObservation observation = testEntry.getValue();

double groundTruth = observation.getFlowerClass();

double prediction = mdl.apply(new DenseLocalOnHeapVector(observation.getFeatures()));

totalAmount++;

if (groundTruth != prediction)

amountOfErrors++;