Linuxeden开源社区作者 ，译者 徐进
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
转自 http://www.infoq.com/cn/articles/machine-learning-with-javascript-part02