Python3：《机器学习实战》之k近邻算法（3）识别手写数字

╰半夏微凉° 2022-06-09 09:58 158阅读 0赞

# Python3：《机器学习实战》之k近邻算法（3）识别手写数字 #

--------------------

*  **转载请注明作者和出处：[http://blog.csdn.net/u011475210][http_blog.csdn.net_u011475210]**
 *  **代码地址：[https://github.com/WordZzzz/ML/tree/master/Ch02][https_github.com_WordZzzz_ML_tree_master_Ch02]**
 *  **操作系统：WINDOWS 10**
 *  **软件版本：python-3.6.2-amd64**
 *  **编  者：WordZzzz**

--------------------

*  Python3机器学习实战之k近邻算法3识别手写数字
    
     *  前言
     *  一准备数据
     *  二测试算法
     *  三k-近邻算法总结

## 前言： ##

在这篇博文里，本渣渣将带领大家一步一步构造出使用k-近邻分类器的手写识别系统。书中提供了数据集，从0到9，如图所示：

![SouthEast][]

这些数字已经经过处理，统一变成32像素\*32像素的黑白图像（文本格式）。

下面我们列出算法流程：

*  (1)收集数据：提供文本文件。
 *  (2)准备数据：编写函数img2vector(),将图像格式装还未分类器实用的向量格式。
 *  (3)分析数据：在Python命令提示符中检擦数据，确保它符合要求。
 *  (4)训练算法：此步骤不适用于k-近邻算法。
 *  (5)测试算法：编写函数使用提供的部分数据集作为测试样本，测试样本与非测试样本的区别在于测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误。
 *  (6)使用算法：没有精力写应用程序了，爱折腾的大神们可以试试，自己以后复习的时候再写写这块。主要就是从图像中提取数字，并完成数字识别。

## 一、准备数据： ##

世纪图像存储在源代码的两个子目录里：目录trainingDigits中包含了大约2000个例子，每个例子的内容如下图所示，每个数字大约有200个样本；目录testDigits中包含了大约900个测试数据。两组数据没有重叠。

![SouthEast][]

我们首先需要将图像转换成测试向量：即用一个1 \* 1024的NumPy数组存储32 \* 32的图像信息。

代码实现：

# -*- coding: UTF-8 -*-
    """
    Created on Aug 18, 2017
    kNN: k Nearest Neighbors
    
    Input:      inX: vector to compare to existing dataset (1xN)
                dataSet: size m data set of known vectors (NxM)
                labels: data set labels (1xM vector)
                k: number of neighbors to use for comparison (should be an odd number)
    
    Output:     the most popular class label
    
    @author: wordzzzz
    """
    
    from numpy import *
    import operator
    from os import listdir

def img2vector(filename):
        """
        Function：   32*32图像转换为1*1024向量
    
        Args：       filename：文件名称字符串
    
        Returns：    returnVect：转换之后的1*1024向量
        """ 
        #初始化要返回的1*1024向量
        returnVect = zeros((1, 1024))
        #打开文件
        fr = open(filename)
        #读取文件信息
        for i in range(32):
            #循环读取文件的前32行
            lineStr = fr.readline()
            for j in range(32):
                #将每行的头32个字符存储到要返回的向量中
                returnVect[0, 32*i+j] = int(lineStr[j])
        #返回要输出的1*1024向量
        return returnVect

输出结果：

>>> reload(kNN)
    
    >>> testVector = kNN.img2vector('testDigits/0_13.txt')
    >>> testVector[0,0:31]
    array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,
            0.,  1.,  1.,  1.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,
            0.,  0.,  0.,  0.,  0.])
    >>> testVector[0,32:63]
    array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.,
            1.,  1.,  1.,  1.,  1.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,
            0.,  0.,  0.,  0.,  0.])

## 二、测试算法： ##

在之前的kNN.py代码中加入from os import listdir，然后编写下列测试程序即可测试算法。

def handwritingClassTest():
        """
        Function：   手写数字测试程序
    
        Args：       无
    
        Returns：    returnVect：转换之后的1*1024向量
        """ 
        #初始化手写数字标签列表
        hwLabels = []
        #获取训练目录信息
        trainingFileList = listdir('trainingDigits')
        #获取训练文件数目
        m = len(trainingFileList)
        #初始化训练矩阵
        trainingMat = zeros((m,1024))
        #开始提取训练集
        for i in range(m):
            #从文件名解析出分类数字
            fileNameStr = trainingFileList[i]
            fileStr = fileNameStr.split('.')[0]
            classNumStr = int(fileStr.split('_')[0])
            #存储解析出的分类数字到标签中
            hwLabels.append(classNumStr)
            #载入图像
            trainingMat[i, :] = img2vector('trainingDigits/%s' % fileNameStr)
        #获取测试目录信息
        testFileList = listdir('testDigits')
        #初始化错误计数
        errorCount = 0.0
        #获取测试文件数目
        mTest = len(testFileList)
        #开始测试
        for i in range(mTest):
            #从文件名解析出分类数字
            fileNameStr = testFileList[i]
            fileStr = fileNameStr.split('.')[0]
            classNumStr = int(fileStr.split('_')[0])
            #载入图像
            vectorUnderTest = img2vector('trainingDigits/%s' % fileNameStr)
            #参数传入分类器进行分类
            classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
            #打印输出分类结果和真实结果
            print("the classifier came back with: %d, the real answer is: %d" %(classifierResult, classNumStr))
            #如果分类结果不等于真实结果，错误计数加一
            if (classifierResult != classNumStr): errorCount += 1.0
        #输出错误技术
        print("\nthe total number of errors is: %d" % errorCount)
        #输出错误率
        print("\nthe total error rate is: %f" % (errorCount/float(mTest)))

输出结果：

>>> reload(kNN)
    
    >>> kNN.handwritingClassTest()
    the classifier came back with: 0, the real answer is: 0
    the classifier came back with: 0, the real answer is: 0
    the classifier came back with: 0, the real answer is: 0
    ······
    the classifier came back with: 9, the real answer is: 9
    the classifier came back with: 9, the real answer is: 9
    the classifier came back with: 9, the real answer is: 9
    
    the total number of errors is: 13
    
    the total error rate is: 0.013742

k-近邻算法识别手写数字数据集，错误率为1.2%。依赖于分类算法、数据集和程序设置，分类器的输出结果可能有很大的不同。大家可以自行修改变量hoRatio和变量k的数值，看看检测错误率是否会发生变化。

实际使用这个算法时，算法的执行效率并不高。因为算法需要为每个测试向量做2000次距离计算，而每个距离计算包括了1024个维度浮点运算，总计执行900次，此外，还需要为测试向量准备2MB的存储空间。以后要讲的k决策树科一节省大量的计算开销。

## 三、k-近邻算法总结： ##

优点：

*  k-近邻算法是分类数据最简单有效的算法，是基于实例的学习，使用算法时我们必须有接近实际数据的训练样本数据。

缺点：

*  k-近邻算法必须保存全部数据集，并对数据集中的每个数据计算距离值，实际使用时耗时耗存储。
 *  而且，它无法给出任何数据的基础结构信息，所以我们不知道平均实例样本与典型实例样本具有什么特征（概率测量方法处理分类问题时可以解决这个问题）。

**系列教程持续发布中，欢迎订阅、关注、收藏、评论、点赞哦～～(￣▽￣～)～**

**完的汪(∪｡∪)｡｡｡zzz**

[http_blog.csdn.net_u011475210]: http://blog.csdn.net/u011475210
[https_github.com_WordZzzz_ML_tree_master_Ch02]: https://github.com/WordZzzz/ML/tree/master/Ch02
[SouthEast]: /images/20220609/ac8b7f202dbd488d83551384573e6a33.png