如何进行电影分类

众所周知，电影可以按照题材分类，然而题材本身是如何定义的?由谁来判定某部电影属于哪 个题材?也就是说同一题材的电影具有哪些公共特征?这些都是在进行电影分类时必须要考虑的问 题。没有哪个电影人会说自己制作的电影和以前的某部电影类似，但我们确实知道每部电影在风格 上的确有可能会和同题材的电影相近。那么动作片具有哪些共有特征，使得动作片之间非常类似， 而与爱情片存在着明显的差别呢？动作片中也会存在接吻镜头，爱情片中也会存在打斗场景，我们 不能单纯依靠是否存在打斗或者亲吻来判断影片的类型。但是爱情片中的亲吻镜头更多，动作片中 的打斗场景也更频繁，基于此类场景在某部电影中出现的次数可以用来进行电影分类。

本章介绍第一个机器学习算法：K-近邻算法，它非常有效而且易于掌握。

简单地说，K-近邻算法采用测量不同特征值之间的距离方法进行分类。

• 优点：精度高、对异常值不敏感、无数据输入假定。

• 缺点：时间复杂度高、空间复杂度高。

• 适用数据范围：数值型和标称型。

工作原理

存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据 与所属分类的对应关系。输人没有标签的新数据后，将新数据的每个特征与样本集中数据对应的 特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们 只选择样本数据集中前K个最相似的数据，这就是K-近邻算法中K的出处,通常K是不大于20的整数。 最后 ，选择K个最相似数据中出现次数最多的分类，作为新数据的分类。

回到前面电影分类的例子，使用K-近邻算法分类爱情片和动作片。有人曾经统计过很多电影的打斗镜头和接吻镜头，下图显示了6部电影的打斗和接吻次数。假如有一部未看过的电影，如何确定它是爱情片还是动作片呢？我们可以使用K-近邻算法来解决这个问题。

• 分类问题：from sklearn.neighbors import KNeighborsClassifier
• 回归问题：from sklearn.neighbors import KNeighborsRegressor

0）一个最简单的例子

身高、体重、鞋子尺码数据对应性别

# 导入KNN 分类算法
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
# !!! 样本中，男女比例应该1：1
data = np.array([[175,70,43],[180,75,44],[165,50,38],[163,48,37],[170,68,42],[168,52,40]])
target = np.array(['男','男','女','女','男','女'])
# 声明算法
knn = KNeighborsClassifier(n_neighbors=5)
# 使用算法，进行学习，训练
knn.fit(data,target)
# 使用算法，进行预测数据
data_predict = np.array([[188,90,46],[166,55,38],[169,65,41]])
knn.predict(data_predict)

1）用于分类

导包，机器学习的算法KNN、数据蓝蝴蝶

# 使用KNN算法，对一种花，进行分类
# 数据源在sklearn中

import sklearn.datasets as datasets
# 使用datasets中的方法，导入数据
# data属性：花萼长度，花萼宽度，花瓣长度，花瓣宽度
# 鸢尾花分三类 ：'target_names': array(['setosa', 'versicolor', 'virginica'], dtype='<U10')}
iris = datasets.load_iris()

data = iris['data']
target = iris['target']
# numpy 将数据打乱顺序
# shuffle 随机打乱顺序，data ，target两个都需要打乱顺序
# 随机种子，每次和每次都不同，所以，随机数的时候，每次和每次都不同
# np.random.shuffle()
# np.random.seed(8)
# np.random.randint(0,150,size = 1)
# 只能使用一次
np.random.seed(11)
np.random.shuffle(data)
np.random.seed(11)
np.random.shuffle(target)
#训练样本
# 150个样本，分成两份，140个（训练数据），10个（预测）

# 获取了140个训练数据
X_train = data[:140]
y_train = target[:140]

# 预测数据
X_test = data[140:]
y_test = target[140:] #真实答案

knn = KNeighborsClassifier(n_neighbors=5)

# 第一步，训练
knn.fit(X_train,y_train)

# 第二步，预测
# 返回自己的“观点”
# 一般情况下，机器学习返回结果 添加：_
y_ = knn.predict(X_test)

print('鸢尾花分类真实情况是：',y_test)

print('鸢尾花机器学习分类情况是： ',y_)

# 通过结果，看到，机器学习，将最后这10未知的数据，全部预测准确

# 计算算法的准确率
score = knn.score(X_test,y_test)
print('算法的准确率： ', score)

• 使用pandas数据类型进行操作

  #机器学习的数据可以是numpy也可以是pandas

  import pandas as pd
  from pandas import Series,DataFrame

  #先将训练数据转换为pandans类型数据
  X_train_df = DataFrame(X_train,columns=['speal length','speal width','petal length','petal width'])
  y_train_s = Series(y_train)

  #将测试测试数据转为pandas数据
  X_test_df = DataFrame(X_test,columns=['speal length','speal width','petal length','petal width'])
  y_test_s = Series(y_test)

  knn = KNeighborsClassifier(10)
  knn.fit(X_train_df,y_train_s)

  y_ = knn.predict(X_test_df)
  print(y_test_s.values)
  print(y_)

• 训练数字

  import numpy as np

  bmp 图片后缀

  import matplotlib.pyplot as plt
  %matplotlib inline
  from sklearn.neighbors import KNeighborsClassifier

  digit = plt.imread('./data/3/3_200.bmp')

  28 * 28 很小

  首先将图片放大显示

  plt.figure(figsize=(2,2))
  plt.imshow(digit,cmap = 'gray')

• 批量获取数据

  批量获取数据

  data = []
  target = []

  for i in range(10):
  for j in range(1,501):

  plt.imread('./data/3/3_200.bmp')

  digit是二维的数组，黑白

      digit = plt.imread('./data/%d/%d_%d.bmp'%(i,i,j))
      data.append(digit)

  目标值

      target.append(i)

  data 和target 5000个数据

  len(data)

  将机器学习的数据转换成ndarry，操作起来比较方便

  ndarray 提供了很多方法

  data = np.array(data)
  target = np.array(target)

  print(data.shape,target.shape)

  #显示正确值及图片，仅供测试
  index = np.random.randint(0,5000,size = 1)[0]

  print('该索引所对应的目标值： ',target[index])

  digit = data[index]
  plt.figure(figsize=(2,2))
  plt.imshow(digit,cmap = 'gray')

• 打乱数据，生成学习队列

  seed = np.random.randint(0,5000,size = 1)[0]

  指明随机数的种子，打乱顺序

  np.random.seed(seed)
  np.random.shuffle(data)

  指明的种子和上面的一样，打乱顺序的规则就和上面一样

  np.random.seed(seed)
  np.random.shuffle(target)

  验证一下，顺序是否匹配

  index = np.random.randint(0,5000,size = 1)[0]

  print('该索引所对应的目标值： ',target[index])

  digit = data[index]
  plt.figure(figsize=(2,2))
  plt.imshow(digit,cmap = 'gray')

• 机器学习,分割数据

  knn = KNeighborsClassifier(n_neighbors=20)

  最后保留50个数据作为预测数据集

  训练数据

  X_train,y_train = data[:4950],target[:4950]

  测试数据

  X_test,y_test = data[-50:],target[-50:]

• 因算法只能接受二维数据，故学习和预测的数据都需要转化为二维数据

  X_train = X_train.reshape((4950,784))

  正着数像素784像素点，倒着数-1

  X_test = X_test.reshape((50,-1))

• 训练

  第一步进行训练

  knn.fit(X_train,y_train)

• 预测

  第二步，使用算法，进行预测

  y_ = knn.predict(X_test)

  print('真实数据：',y_test)
  print('预测数据： ',y_)

• 将五十条数据画出来

  可视化，将50张绘制出来

  plt.figure(figsize=(25,310))

  for i in range(50):

  10行5列

  子视图，在每一个子视图中绘制图片

  subplot = plt.subplot(10,5,i+1)

  最后50张图片在 X_test中

  !!! 像素点需要reshape成图片形状

  subplot.imshow(X_test[i].reshape((28,28)))

  添加标题，True：0

  Predict：0

  y_test ----真实

  y_ ------预测

  t = y_test[i]
  p = y_[i]
  subplot.set_title('True: %d\nPredict:%d'%(t,p))

获取网络上的数字图片进行识别

• 读取图片转化为灰度

  digits = plt.imread('./数字.jpg')
  digits = digits.mean(axis = 2)
  plt.imshow(digits,cmap = 'gray')

• 将图片中的数字切片切下来

  data_pre = digits[175:240,78:143]
  plt.imshow(data_pre,cmap = 'gray')

• 将图片转为28*28

  import scipy.ndimage as ndimage
  data_pre_test = ndimage.zoom(data_pre,zoom = (28/65,28/65))
  print(data_pre_test.shape)

  plt.figure(figsize=(2,2))
  plt.imshow(data_pre_test,cmap = 'gray')

• 机器预测

  从网络上获取的数据，有时候，因为写数字，和样本不同，误差可能会很大

  knn.predict(data_pre_test.reshape((1,-1)))
  knn.predict(data_pre_test.reshape((1,784)))

  保存模型

  knn 算法，模型，estimator

  数学建模，model 算法

  from sklearn.externals import joblib

  保存

  joblib.dump(knn,'数字识别.m')

  提取算法

  knn_digits = joblib.load('./数字识别.m')
  #使用模型
  knn_digits.predict(data_pre_test.reshape((1,-1)))