《机器学习实战》之K—近邻算法实现手写体数字识别

一、问题描述

• 主要程序为kNN.py，在主程序中，包含函数:
  
  • classify0(inX, dataSet, labels, k)：实现分类
  • file2matrix(filename)：将文本文件转换为矩阵，本例中没有用到
  • autoNum(dataSet)：这个函数没有用到，作用是实现均值归一化
  • img2vector(filename)：将图片转化为向量，图片大小是32*32，转化后的向量为1*1024,
  • Detect_Test()：数字识别和错误率计算函数

二、各函数的代码

• classify0(inX, dataSet, labels, k)：

# -*- coding=utf-8 -*-
from os import listdir
from numpy import *
import operator

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()
    classCount={}
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

• img2vector(filename)：

def img2vector(filename):             #将图片转化为向量
    returnVect=zeros((1,1024))
    fr=open(filename)
    for i in range(32):
        lineStr=fr.readline()
        for j in range(32):
            returnVect[0,32*i+j]=int(lineStr[j])
    return returnVect

• Detect_Test()：

#手写体识别函数&错误率检测函数
def Detect_Test():
    hwLabels=[]
    trainingFileList=listdir('E:/PythonApplication/kNN/trainingDigits')     #获取目录内容
    m=len(trainingFileList)                                                 #获取文件的个数
    trainingMat=zeros((m,1024))               #创建一个矩阵，m行1024列，用来存储转化后的数字向量
    for i in range(m):
        fileNameStr=trainingFileList[i]       #从文件名解析分类数字
        fileStr=fileNameStr.split('.')[0]       #用[0]操作符保证操作的是数字矩阵中的每一列而不是每一行
        classNumStr=int(fileStr.split('_')[0])  #同上,因为文件名的形式是0_4.txt，所以为了得到分类标签，可以只取‘_’前面的数字
        hwLabels.append(classNumStr)
        trainingMat[i,:]=img2vector('E:/PythonApplication/kNN/trainingDigits/%s' % fileNameStr)
    testFileList=listdir('E:/PythonApplication/kNN/testDigits')
    errCount=0          #计算识别错误率
    mTest=len(testFileList)
    for i in range(mTest):
        fileNameStr=testFileList[i]
        fileStr=fileNameStr.split('.')[0]
        classNumStr=int(fileStr.split('_')[0])
        vectorOfTest=img2vector('E:/PythonApplication/kNN/testDigits/%s' % fileNameStr)
        result=classify0(vectorOfTest,trainingMat,hwLabels,3)
        print 'the classfiler came back with %d the real is:%d' % (result,classNumStr),'\t',i
        if  (result!=classNumStr):
            errCount += 1.0
    print '错误个数：',errCount
    print '错误率:',errCount/float(mTest)

三、补充

• 本次实验使用的IDE为PyCharm社区版；
• 实验数据中原始图片是以二进制格式存储的，分为训练集和测试集，整体结构图如下：
  

其中单独的一张图片存储内容如下：

• 数据集下载：数据集+源码下载。
• 写到最后：[email protected]