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：
读取训练数据和测试数据；
在Ignite中保存训练数据和测试数据；
使用训练数据拟合k-NN模型；
将模型应用于测试数据；
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：
萼片长度（cm）
萼片宽度（cm）
花瓣长度（cm）
花瓣宽度（cm）
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。
原文作者：李玉珏
原文链接：https://my.oschina.net/liyuj/blog/2962471