K-NN分类学习模型实现手写数字分类

机器学习算法中的监督学习分为分类和回归两类。分类机器学习算法比较常用且易于理解。本文就从最简单的K-NN( k-Nearest Neighbor )分类算法开始，来了解机器学习模型的创建过程。

K-NN算法概述

K-NN也称为K-近邻算法，通过测量不同特征值之间的距离进行分类。

K-NN算法的工作原理是：首先准备一个已经分类的训练数据集，这个数据集的分类结果已知；其次，对于一个没有分类的新数据，将新数据的每个特征与训练数据集中的数据进行比较；然后，提取训练集中与新样本最接近的k个分类结果；最后，在k个结果中选择一个出现最多的分类作为新数据的类别。

本文通过一个对手写数字进行分类模型来简述K-NN算法的建模步骤。说明：本文中的代码基于Python3实现的。

手写数字分类

因为K-NN算法不需要训练模型，直接使用已经分类好的数据集来分类就可以。因此我们准备好已经分类好的数据集。

准备的数据集分为训练数据集trainingDigits和测试数据集testDigits，且两组数据相互独立没有重叠。

为了方便处理，我们将图形文件转换为一个numpy数组。下面我们给出将数字文件转换为numpy数组的代码：

def img2vector(filename):
    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

实现K-NN算法

#dataSet为输入的训练数据集
#k为选择距离最小的k个点
def classify(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize,1)) - dataSet
    sqDiffMat = diffMat**2
    #计算距离
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()     
    classCount={}
    #选择距离最小的k个点
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    #对选择的k个点进行排序，以方便选择分类最多的
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

使用K-NN算法测试手写数字识别算法，其中模型中使用的训练数据集和测试数据集可以通过以下链接得到：

训练与测试数据集下载

其中trainingDigits为训练数据集，testDigits为测试数据集

代码如下：

def handwritingClassTest():
    hwLabels = []
    #训练数据集的文件目录
    trainingFileList = listdir('digits/trainingDigits')          
    m = len(trainingFileList)
    trainingMat = zeros((m,1024))
    for i in range(m):
        fileNameStr = trainingFileList[i]
        fileStr = fileNameStr.split('.')[0]    
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        #加载并转换训练数据集
        trainingMat[i,:] = img2vector('digits/trainingDigits/%s' % fileNameStr)
    #测试数据集的目录
    testFileList = listdir('digits/testDigits')       
    #errorCount记录分类错误的数量
    errorCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]     #take off .txt
        classNumStr = int(fileStr.split('_')[0])
        #加载并转换测试数据集
        vectorUnderTest = img2vector('digits/testDigits/%s' % fileNameStr)
        #调用K-NN分类函数
        classifierResult = classify(vectorUnderTest, trainingMat, hwLabels, 3)
        print("the classifier came back with: %d, the real answer is: %d" %(classifierResult, classNumStr))
        if (classifierResult != classNumStr): errorCount += 1.0
    #输出计算错误的数量
    print("\nthe total number of errors is: %d" %errorCount)
    #输出错误率
    print("\nthe total error rate is: %f" %errorCount/float(mTest))

输出结果为：

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: 1, the real answer is: 8
the classifier came back with: 8, the real answer is: 8
...
the classifier came back with: 9, the real answer is: 9
the classifier came back with: 1, the real answer is: 9
the classifier came back with: 9, the real answer is: 9

the total number of errors is: 10

the total error rate is: 0.010571

从运行结果可以看出这个手写数字分类模型的错误率非常的低，仅为1.06%。我们还可以通过修改模型的参数来观察错误率的变化，可修改的参数包括k的值，训练样本的数目。

总结

本文通过一个手写数字分类的例子展示了K-NN算法，K-NN是分类算法总最简单有效的算法。而K-NN算法不需要模型的训练过程，直接基于已分类号的数据进行预测，因此比较容易上手。

参考资料

《机器学习实战》第二章 k-近邻算法