基于KNN算法的約會(huì)網(wǎng)站配對(duì)模型的應(yīng)用研究

劉淑英 鄒燕飛 李依橋 趙瑤瑤 王偉

摘要：約會(huì)網(wǎng)站數(shù)據(jù)量非常大，如何從眾多數(shù)據(jù)對(duì)象中，選擇適合自己的人群，成為數(shù)據(jù)分析中的一個(gè)研究問(wèn)題。本文主要闡述了該模型的具體實(shí)現(xiàn)過(guò)程，主要包括數(shù)據(jù)采集、數(shù)據(jù)歸一化處理、構(gòu)造算法模型、評(píng)估算法模型。通過(guò)采用實(shí)例數(shù)據(jù)集進(jìn)行模型的訓(xùn)練和測(cè)試，實(shí)驗(yàn)結(jié)果表明：該模型能較準(zhǔn)確的進(jìn)行約會(huì)對(duì)象的匹配，測(cè)試誤差較小。

關(guān)鍵詞：機(jī)器學(xué)習(xí);KNN算法;Python

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）10-0128-02

0 引言

如今網(wǎng)站的快速發(fā)展，人們的生活和工作都離不開(kāi)網(wǎng)絡(luò)。人們的生活節(jié)奏也在逐漸加快，工作越來(lái)越忙了。約會(huì)網(wǎng)站吸納了眾多的單身青年參與，積累了大量的用戶資源。而且我國(guó)廣大的上班族群體為約會(huì)網(wǎng)站提供了良好的用戶基礎(chǔ)[1]。一個(gè)好的約會(huì)網(wǎng)站可以帶動(dòng)婚戀等多種產(chǎn)業(yè)的發(fā)展，但是目前的約會(huì)網(wǎng)站對(duì)約會(huì)對(duì)象的數(shù)據(jù)處理有時(shí)候不夠準(zhǔn)確，約會(huì)配對(duì)成功率不夠高。通過(guò)對(duì)網(wǎng)站數(shù)據(jù)進(jìn)行分析，采用KNN算法較好的完成約會(huì)配對(duì)，為網(wǎng)站用戶提供較好的服務(wù)。

1 KNN算法

KNN，也稱K-最近鄰居，是機(jī)器學(xué)習(xí)算法最簡(jiǎn)單的一種[2-3]。它既可以用來(lái)分類，也可以是回歸方法。它把實(shí)例的特征向量作為輸入，再計(jì)算訓(xùn)練集與新數(shù)據(jù)特征值之間的距離，之后選出距離k個(gè)最近的分類。如果k=1，最近鄰類就是待測(cè)數(shù)據(jù)。KNN算法主要涉及三個(gè)問(wèn)題：距離度量，k值選擇和分類決策規(guī)則。我們最主要討論分類決策規(guī)則。分類決策規(guī)則就是指多數(shù)投票，或基于距離的加權(quán)投票。由輸入實(shí)例的k個(gè)鄰近訓(xùn)練實(shí)例中的多數(shù)類別決定輸入實(shí)例的類別[4-5]。

2 模型實(shí)現(xiàn)

本模型使用的樣本數(shù)據(jù)一共有1000行，該模型采用80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測(cè)試集來(lái)進(jìn)行模型訓(xùn)練，數(shù)據(jù)預(yù)處理使用的方法是歸一化。模型具體實(shí)現(xiàn)分為六個(gè)步驟，分別是采樣數(shù)據(jù)、樣本數(shù)據(jù)可視化、預(yù)處理、獲取模型、模型訓(xùn)練、預(yù)測(cè)。我們的測(cè)試數(shù)據(jù)主要包括婚戀人員的特征，分別是年飛行?？屠锍虜?shù)、玩視頻耗時(shí)百分比、周消耗冰激凌公升數(shù)，我們首先標(biāo)記此部分?jǐn)?shù)據(jù)，1代表一點(diǎn)也不喜歡，2代表有一點(diǎn)喜歡，3代表非常喜歡。為了更直觀的的理解樣本數(shù)據(jù)，數(shù)據(jù)采用Matplotlib庫(kù)進(jìn)行繪圖分析，如圖1所示。

2.1 預(yù)處理

根據(jù)前面所述可知，三個(gè)特征值之間的差距有點(diǎn)大，所以在模型訓(xùn)練之前，必須把數(shù)據(jù)放到同一量級(jí)，即數(shù)據(jù)預(yù)處理。本模型采用歸一化方法，目的是把不一樣的特征數(shù)據(jù)縮放到相同的一個(gè)相似區(qū)間中。

2.2 獲取模型

該部分功能是獲取模型，也就是構(gòu)造KNN分類器。核心思想就是，如果一個(gè)樣本在特征空間中的k個(gè)最相似的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。

該過(guò)程通過(guò)計(jì)算各個(gè)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)之間的距離，按照距離遞增關(guān)系排序，選取距離最小的k個(gè)點(diǎn)，確定k個(gè)點(diǎn)所在類別的出現(xiàn)頻率，返回前k個(gè)點(diǎn)中出現(xiàn)頻率最高的類別作為測(cè)試數(shù)據(jù)的預(yù)測(cè)分類。這樣就構(gòu)造出了KNN分類器。

2.3 模型訓(xùn)練

我們講1000個(gè)樣本數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，該部分的核心代碼如下所示。

for i in range（num_test_vecs）：

classifier_result = classify0（norm_mat[i， ：]， norm_mat[num_test_vecs：m， ：]，

dating_labels[num_test_vecs：m]， 4）

if classifier_result ！= dating_labels[i]：

error_count += 1.0

right_ratio = 1 - error_count / float（num_test_vecs）

2.4 樣例預(yù)測(cè)

該部分功能是對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)分類，用戶輸入待約會(huì)對(duì)象的數(shù)據(jù)，預(yù)測(cè)出這條數(shù)據(jù)的分類，可以判斷喜歡程度。核心代碼如下。

def classify_main（）：

result_list = ['一點(diǎn)也不喜歡'， '有點(diǎn)喜歡'， '非常喜歡']

ff_miles = float（input（"每年獲得的飛行?？屠锍虜?shù)："））

percent_tats = float（input（"玩視頻游戲所消耗時(shí)間百分比："））

ice_cream = float（input（"每周消費(fèi)的冰淇淋公升數(shù)："））

dating_data_mat，dating_labels = init_data（）

norm_mat，diff_dt，min_value = feature_scaling（dating_data_mat）

in_arr = array（[ff_miles， percent_tats， ice_cream]）

classifier_result = classify0（（in_arr - min_value）/diff_dt， norm_mat， dating_labels， 3）

print（"你對(duì)這個(gè)人的喜歡程度："，result_list[classifier_result-1]）

3 結(jié)語(yǔ)

本文通過(guò)采用KNN算法對(duì)婚戀數(shù)據(jù)數(shù)據(jù)進(jìn)行分析，采用Python數(shù)據(jù)可視化庫(kù)中的函數(shù)和Matplotlib庫(kù)完成對(duì)數(shù)據(jù)的分類。通過(guò)測(cè)試結(jié)果，可知，模型學(xué)習(xí)的準(zhǔn)確率達(dá)到了92%，基本能夠滿足我們的要求。

參考文獻(xiàn)

[1] 黃鶴.關(guān)于我國(guó)婚戀網(wǎng)站網(wǎng)絡(luò)交友的研究[D].武漢：華中師范大學(xué)，2011.

[2] 石曉宇.基于Google App Engine的移動(dòng)信息服務(wù)的研究[D].大連：大連理工大學(xué)，2011.

[3] 黎爽.基于Python科學(xué)計(jì)算包的金融應(yīng)用實(shí)現(xiàn)[D].南昌：江西財(cái)經(jīng)大學(xué)，2017.

[4] 胡元，石冰.基于區(qū)域劃分的KNN文本快速分類算法研究[J].計(jì)算機(jī)科學(xué)，2012，39（10）：182-186.

[5] 康春花，張淑君，李元白，等.KNN認(rèn)知診斷法及其應(yīng)用[J].江西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，43（02）：135-141+159.