BT

你的观点很重要! 快来参与InfoQ调研吧!

机器学习与JavaScript(二)

| 作者 Abhishek Soni 关注 2 他的粉丝 ,译者 徐进 关注 2 他的粉丝 发布于 2017年7月7日. 估计阅读时间: 27 分钟 | ArchSummit社交架构图谱:Facebook、Snapchat、Tumblr等背后的核心技术

这是机器学习与JavaScript系列文章的第二篇。第一篇请点击这里查看。

这篇文章我们主要学习KNN算法。

KNN代表K-Nearest-Neighbours,是一种监督学习的算法。它可以用来处理分类问题和回归问题。接下来我们会先讲解下KNN算法的工作原理,当然你也可以直接看代码,Github仓库在这里:基于JavaScript的机器学习

KNN算法的工作原理

KNN算法根据同一类别数据点的最大邻居数,决定新数据点的类别。

如果一个新数据点的邻居数如下所示:NY:7,NJ:0,IN:4,那么这个新的数据点将属于NY这一类。

假设你在邮局工作,工作的内容就是为不同的邮递员规划和分发信件,当然要尽量减少邮递员在不同社区之间往返的次数。既然现在是在假设,那么我们就说这里共有7个不同的社区。这其实就是一种分类问题,需要将不同的信件进行分类,哪些要送到上东区,哪些到曼哈顿区,等等。

如果你喜欢浪费时间和资源,你可以让每个邮递员一次只向每个社区送一封信,然后邮递员们就会在相同的社区中碰面,然后发现你的规划有多么糟糕。当然这是你可以实现的最糟糕的分配方式。

此外,你也可以依据社区所在的位置进行规划,将位置相近的信件归为一类。

你可以这样想:如果这些信件彼此的距离小于三个街区,就把他们分配给同一个邮递员。在这个例子中,离的最近的街区的数量,就是KNN算法中k的来源。你可以继续增大距离相近的街区的数量,直到达到最高效的分配方式。这个值就是分类问题中的最佳k值。

因此,根据一个或多个参数,比如收件人的位置,你可以将所有的信件进行分类,哪些送到上东区,哪些到曼哈顿区,等等。

KNN算法的代码实践

和上一篇教程中一样,我们将使用ml.js的KNN模块来训练k最近邻算法的分类器。每个机器学习领域中的问题都需要数据的支持,因此接下来此教程将会使用到IRIS的数据集。

Iris也称鸢尾花卉数据集,该数据集包含三种类型的鸢尾花(Setosa, Versicolour和 Virginica),它们都拥有不同的花瓣和花萼长度,还有一个字段用于表示它们的类型。

第一步:安装依赖库

$ yarn add ml-knn csvtojson prompt

或者你更喜欢npm:

$ npm install ml-knn csvtojson prompt

ml-knn:ml.js中的KNN模块

csvtojson:数据解析

prompt:可以根据用户的输入值进行预测

第二步:初始化库并加载数据

Iris数据集由加利福尼亚大学尔湾分校提供。但是,由于它的组织方式,我们必须在浏览器中复制它的内容(全选并复制),然后将其粘贴到名为iris.csv的文件中。你可以随便命名该文件,只要后缀名是.csv都行。

接下来,初始化该库,并加载数据。假设你已经提前建好了一个空的npm工程。但是你如果对npm还不是很熟悉,可以看看关于npm的简要介绍

const KNN = require('ml-knn');
const csv = require('csvtojson');
const prompt = require('prompt');
const knn = new KNN();

const csvFilePath = 'iris.csv'; // 数据
const names = ['sepalLength', 'sepalWidth', 'petalLength', 'petalWidth', 'type']; // 表头

let seperationSize; // 分离训练数据和测试数据

let data = [],
    X = [],
    y = [];

let trainingSetX = [],
    trainingSetY = [],
    testSetX = [],
    testSetY = [];

表头names变量仅仅是为了可视化和方便理解,最后会删除它的。

seperationSize变量可以将数据分离为训练数据和测试数据。

看起来是不是很酷?

我们已经导入了csvtojson库,接下来使用它的fromFile方法加载数据。(因为拷贝的数据并没有表头,因此我们为它添加了表头。)

csv({noheader: true, headers: names})
    .fromFile(csvFilePath)
    .on('json', (jsonObj) => {
        data.push(jsonObj); // 将每一个对象都加载到数据数组中
    })
    .on('done', (error) => {
        seperationSize = 0.7 * data.length;
        data = shuffleArray(data);
        dressData();
    });

将文件中每一行的数据都添加到data变量中,当数据加载完成后,我们将seperationSize设置为数据集中样本容量的0.7倍。谨记:如果训练集的样本容量太小,分类器可能不会像训练大数据集那样有那么好的表现。

由于我们的数据集是根据类型进行排序的(可以通过查看console.log进行确认),为了能更好的分割数据,使用shuffleArray函数将数据集中的数据打乱。(如果不将数据打乱,模型很有可能在前两类中工作的很好,但是第三类就失败了。)

以下就是shuffleArray函数的定义,我是从StackOverFlow上得到的答案。

/**
 * https://stackoverflow.com/a/12646864
 * 将数组元素的顺序打乱
 * 使用了Durstenfeld洗牌算法
 */
function shuffleArray(array) {
    for (var i = array.length - 1; i > 0; i--) {
        var j = Math.floor(Math.random() * (i + 1));
        var temp = array[i];
        array[i] = array[j];
        array[j] = temp;
    }
    return array;
}

第三步:装饰数据

我们的数据应该是下面这样的结构:

{
 sepalLength: ‘5.1’,
 sepalWidth: ‘3.5’,
 petalLength: ‘1.4’,
 petalWidth: ‘0.2’,
 type: ‘Iris-setosa’ 
}

在将数据提供给KNN分类器之前,我们需要对其做两件事情:

1. 将String类型的值转为float类型(parseFloat)

2. 将鸢尾花的实际类型转换为数字类型。(毕竟电脑更喜欢数字,你知道么?)

function dressData() {
    /**
     * 有三种不同的鸢尾花类型,
     * 也就是数据集的分类器
     *
     * 1. Iris Setosa (Iris-setosa)
     * 2. Iris Versicolor (Iris-versicolor)
     * 3. Iris Virginica (Iris-virginica)
     *
     * 将这些类型从字符串转为数组
     * 比如说,
     * 0 代表 setosa,
     * 1 代表 versicolor, 
     * 3 代表 virginica
     */

    let types = new Set(); // 获取不同的类型

    data.forEach((row) => {
        types.add(row.type);
    });

    typesArray = [...types]; // 保存不同的类型

    data.forEach((row) => {
        let rowArray, typeNumber;

        rowArray = Object.keys(row).map(key => parseFloat(row[key])).slice(0, 4);

        typeNumber = typesArray.indexOf(row.type); // 将字符串转为数字

        X.push(rowArray);
        y.push(typeNumber);
    });

    trainingSetX = X.slice(0, seperationSize);
    trainingSetY = y.slice(0, seperationSize);
    testSetX = X.slice(seperationSize);
    testSetY = y.slice(seperationSize);

    train();
}

简单介绍下Set,它和数学中的概念类似,在JS中可以存储原始类型和对象引用类型的数据,只是Set中不会有重复的元素,并且它的元素没有索引。(这一点和数组相反。)

使用扩展运算符或Set构造函数可以轻松的将它转换为数组。

第四步:训练模型并对它进行测试

数据已经装饰好了,接下来就准备训练模型吧:

function train() {
    knn.train(trainingSetX, trainingSetY, {k: 7});
    test();
}

train方法至少需要传入两个参数,一个是输入的数据,比如:花瓣长度和花萼宽度;另一个是它所属的种类,比如:Iris-setosa等。该方法也可以接收一个可选的选项参数,该参数仅仅是一个对象,用来调整算法的内部参数。在上述代码中,我们传递k值作为选项参数,k的默认值是7。

现在模型已经训练好了,接下来看看它在测试集上的表现如何。我们主要关注预测分类时出现错误的次数。(也就是说,它预测输入的是一个值,但实际输入的却是另一个值的次数。)

function test() {
    const result = knn.predict(testSetX);
    const testSetLength = testSetX.length;
    const predictionError = error(result, testSetY);
    console.log(`Test Set Size = ${testSetLength} and number of Misclassifications = ${predictionError}`);
    predict();
}

错误计算的方法如下。使用for循环来遍历全部数据集,观察模型的预测输出的值是否和实际输出的值相等,若不同就是一个错误的分类。

function error(predicted, expected) {
    let misclassifications = 0;
    for (var index = 0; index < predicted.length; index++) {
        if (predicted[index] !== expected[index]) {
            misclassifications++;
        }
    }
    return misclassifications;
}

第五步:开始预测(可选的)

是时候展示预测值了。

function predict() {
    let temp = [];
    prompt.start();

    prompt.get(['Sepal Length', 'Sepal Width', 'Petal Length', 'Petal Width'], function (err, result) {
        if (!err) {
            for (var key in result) {
                temp.push(parseFloat(result[key]));
            }
            console.log(`With ${temp} -- type =  ${knn.getSinglePrediction(temp)}`);
        }
    });
}

如果你不想在新的输入值上测试模型,可以随时跳过此步骤。

第六步:大功告成!

如果你跟着我一步一步的做,现在你的index.js文件应该是这样子的:

const KNN = require('ml-knn');
const csv = require('csvtojson');
const prompt = require('prompt');
const knn = new KNN();

const csvFilePath = 'iris.csv'; // 数据
const names = ['sepalLength', 'sepalWidth', 'petalLength', 'petalWidth', 'type']; // 表头

let seperationSize; // 分离训练数据和测试数据

let data = [], X = [], y = [];

let trainingSetX = [], trainingSetY = [], testSetX = [], testSetY = [];

csv({noheader: true, headers: names})
    .fromFile(csvFilePath)
    .on('json', (jsonObj) => {
        data.push(jsonObj); // 将每一个对象都加载到数据数组中
    })
    .on('done', (error) => {
        seperationSize = 0.7 * data.length;
        data = shuffleArray(data);
        dressData();
    });

function dressData() {
    let types = new Set(); // 获取不同的类型
    data.forEach((row) => {
        types.add(row.type);
    });
    typesArray = [...types]; // 保存不同的类型

    data.forEach((row) => {
        let rowArray, typeNumber;
        rowArray = Object.keys(row).map(key => parseFloat(row[key])).slice(0, 4);
        typeNumber = typesArray.indexOf(row.type); // 将字符串转为数字

        X.push(rowArray);
        y.push(typeNumber);
    });

    trainingSetX = X.slice(0, seperationSize);
    trainingSetY = y.slice(0, seperationSize);
    testSetX = X.slice(seperationSize);
    testSetY = y.slice(seperationSize);

    train();
}

function train() {
    knn.train(trainingSetX, trainingSetY);
    test();
}

function test() {
    const result = knn.predict(testSetX);
    const testSetLength = testSetX.length
    const predictionError = error(result, testSetY);
    console.log(`Test Set Size = ${testSetLength} and number of Misclassifications = ${predictionError}`);
    predict();
}

function error(predicted, expected) {
    let misclassifications = 0;
    for (var index = 0; index < predicted.length; index++) {
        if (predicted[index] !== expected[index]) {
            misclassifications++;
        }
    }
    return misclassifications;
}

function predict() {
    let temp = [];
    prompt.start();
    prompt.get(['Sepal Length', 'Sepal Width', 'Petal Length', 'Petal Width'], function (err, result) {
        if (!err) {
            for (var key in result) {
                temp.push(parseFloat(result[key]));
            }
            console.log(`With ${temp} -- type =  ${knn.getSinglePrediction(temp)}`);
        }
    });
}

/**
 * https://stackoverflow.com/a/12646864
 * 将数组元素的顺序打乱
 * 使用了Durstenfeld洗牌算法

 */
function shuffleArray(array) {
    for (var i = array.length - 1; i > 0; i--) {
        var j = Math.floor(Math.random() * (i + 1));
        var temp = array[i];
        array[i] = array[j];
        array[j] = temp;
    }
    return array;
}

打开终端,输入并运行node index.js,它将会输出如下所示内容:

$ node index.js
Test Set Size = 45 and number of Misclassifications = 2
prompt: Sepal Length:  1.7
prompt: Sepal Width:  2.5
prompt: Petal Length:  0.5
prompt: Petal Width:  3.4
With 1.7,2.5,0.5,3.4 -- type =  2

很好,以上就是一个可运行的KNN算法,一种优雅的分类。

所有的代码都在Github上:machine-learning-with-js

KNN算法的好坏很大程度上取决于k的值,它被称为超参数。那么超参数是什么呢,我从Quora上得到了这样的答案:“它是一种在常规训练中不能直接获得的参数,这些参数代表模型更高级的属性,比如:模型的复杂性或者模型学习的速度。它们都被称为超参数。”

在上述的邮递信件的例子中,k定义了街区的数量。也就是在社区中,多少个街区距离内的信件应该被分为一类。

我正在研究ml-knn模块,希望很快能实现k选择过程的自动化。

如果你对它也比较感兴趣,并且想看看它还能做什么。可以到加州大学尔湾分校机器学习资料库中查看相关资料 ,也可以在不同的数据集上使用你的分类器。(这个资料库有数百个数据集。)

查看英文原文:Machine Learning with JavaScript : Part 2


感谢薛命灯对本文的审校。

给InfoQ中文站投稿或者参与内容翻译工作,请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博(@InfoQ@丁晓昀),微信(微信号:InfoQChina)关注我们。

评价本文

专业度
风格

您好,朋友!

您需要 注册一个InfoQ账号 或者 才能进行评论。在您完成注册后还需要进行一些设置。

获得来自InfoQ的更多体验。

告诉我们您的想法

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我
社区评论

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

讨论

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT