机器学习实战之分类篇 一 k-近邻算法（高级应用：手写数字识别）

任务描述：

        在digits目录下存在1934张手写数字训练数据集（trainSet，标签为文本_前数字）和946张手写数字测试训练集（testSet，真实值为标签文本_前数字），使用kNN算法对测试集数字进行识别。

       部分图片内容如下：

        实现步骤与上一节机器学习实战之分类篇 一 k-近邻算法（从电影分类到海伦约会）基本一致，都是将信息（图像）转换为向量，计算未知向量到训练数据集的前k个最近距离，通过频率得出识别类别。

        使用sklearn机器学习算法库，其分类算法库目录sklearn Classification.在1.6.2节介绍了kNeighborsClassifier分类器。

API实例及介绍如下：

       使用sklearn库的目的在于，该库算法底层进行了优化算法，而且像很多分类器一样，具有一致的参数接口和函数名，使用也极其方便。使用KNN算法的关键调用语句为：

#call the kNN classifier
from sklearn.neighbors import KNeighborsClassifier as kNN
#set parameters
neigh = kNN(n_neighbors = 3, algorithm = 'auto')
#train classifier
neigh.fit(trainMatrix, labels)
#claddifier prediction
predLabel = neigh.predict(vectorImg)

最终实现代码如下：

import operator
import numpy as np
from os import listdir
from sklearn.neighbors import KNeighborsClassifier as kNN

'''
Function :	img2vector(filename)
	Description :	to covert img(in filename) to vector
	Args :	filename
	Rets :	vectorImg
'''

def img2vector(filename):
	vectorImg = np.zeros((1, 1024))
	fr = open(filename)
	for i in range(32):
		line = fr.readline()
		for j in range(32):
			vectorImg[0, 32*i + j] = int(line[j])
	return vectorImg

'''
Function : train()
	Description :	use kNN to train and test digits
	Args :	None
	Rets :	None
'''
def train():
	labels = []
	trainSet = listdir('./digits/trainSet')
	numTrain = len(trainSet)
	trainMatrix = np.zeros((numTrain, 1024)) #32*32 img size
	for i in range(numTrain):
		filename = trainSet[i]
		label = int(filename.split('_')[0])
		labels.append(label)
		trainMatrix[i, :] = img2vector('./digits/trainSet/%s'%(filename))
	neigh = kNN(n_neighbors = 3, algorithm = 'auto')
	neigh.fit(trainMatrix, labels)
	testSet = listdir('./digits/testSet')
	errorCount = 0.0
	numTest = len(testSet)
	for i in range(numTest):
		filename = testSet[i]
		label = int(filename.split('_')[0])
		vectorImg = img2vector('./digits/testSet/%s'%(filename))
		predLabel = neigh.predict(vectorImg)
		print('label: %d  vs  predLabel: %d'%(label, predLabel))
		if(label != predLabel):
			errorCount += 1.0
	print('Error Rate : %f%%'%(errorCount / numTest * 100))

if __name__ == '__main__':
	train()

     实验结果：

        注：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，每个距离计算包括了1024个维度浮点运算，总计要执行900次，此外，我们还需要为测试向量准备2MB的存储空间。是否存在一种算法减少存储空间和计算时间的开销呢？ k决策树就是k-近邻算法的优化版，可以节省大量的计算开销。