在Ignite中使用k-最近邻(k-NN)分类算法

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：

1. 读取训练数据和测试数据；
2. 在Ignite中保存训练数据和测试数据；
3. 使用训练数据拟合k-NN模型；
4. 将模型应用于测试数据；
5. 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：

1. 萼片长度（cm）
2. 萼片宽度（cm）
3. 花瓣长度（cm）
4. 花瓣宽度（cm）
5. 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()) { 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> 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, IrisObservation> getCache(Ignite ignite, String cacheName) { CacheConfiguration<Integer, IrisObservation> cacheConfiguration = new CacheConfiguration<>(); cacheConfiguration.setName(cacheName); cacheConfiguration.setAffinity(new 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++; System.out.printf(">>> | %.0f\t\t\t | %.0f\t\t\t|\n", prediction, groundTruth); } System.out.println(">>> -----------------------------"); System.out.println("\n>>> Absolute amount of errors " + amountOfErrors); System.out.printf("\n>>> Accuracy %.2f\n", (1 - amountOfErrors / (double) totalAmount)); } 

确定模型的准确性

下面，就可以通过对测试数据中的真实分类和模型进行的分类进行对比，来确认模型的真确性。

代码运行之后，总结如下：

>>> Absolute amount of errors 2 >>> Accuracy 0.97 

因此，Ignite能够将97%的测试数据正确地分类为3个不同的种类。

总结

Apache Ignite提供了一个机器学习算法库。通过k-NN分类示例，可以看到创建模型、测试模型和确定准确性的简单性。

在机器学习系列的下一篇中，将研究另一种机器学习算法。敬请期待！