OpenCV-Python实战（番外篇）——利用 KNN 算法识别手写数字

前言

K-最近邻 (k-nearest neighbours, KNN) 是监督学习中最简单的算法之一，KNN 可用于分类和回归问题，在博文《OpenCV-Python实战（13）——OpenCV与机器学习的碰撞》中，我们已经学习了如何在 OpenCV 中实现和训练 KNN 聚类算法，同时通过简单的示例了解了 KNN 算法的用法。在本文中，我们将学习如何使用 KNN 分类器执行手写数字识别，同时我们将从基础程序开始，并通过对其进行改进以提高其性能。

手写数字数据集 MNIST 介绍

为了保证完整性，从算法所用的训练数据讲起，训练数据是由 MNIST 手写数字组成的，MNIST 数据集来自美国国家标准与技术研究所，由来自 250 个不同人手写的数字构成，其中训练集包含 60000 张图片，测试集包含 10000 张图片，每个图片都有其标签，图片大小为 28*28。许多机器学习库提供了加载 MNIST 数据集的方法，这里使用 keras 库进行加载：

# 导入 keras 库