《机器学习实战》第二章：k-近邻算法（3）手写数字识别

1. CH2-kNN（1）        
2. CH2-kNN（2）
3. CH2-kNN（3）
4. CH3-决策树（1）    
5. CH3-决策树（2）
6. CH3-决策树（3）
7. CH4-朴素贝叶斯（1）
8. CH4-朴素贝叶斯（2）
9. CH5-Logistic回归（1）
10. CH5-Logistic回归（2）
======== No More ========

 

这是k-近邻算法的最后一个例子——手写数字识别！

怎样？是不是听起来很高大上？

呵呵。然而这跟图像识别没有半毛钱的关系

因为每个数据样本并不是手写数字的图片，而是有由0和1组成的文本文件，就像这样：

       

嗯，这个数据集中的每一个样本用图形软件处理过，变成了宽高都是32像素的黑白图像。用文本格式表示出来就成了上面这个样子，是一个32*32的矩阵。于是每个样本就有1024维，这些0或1就是每个样本的特征值，标签是手写的数字，范围0~9，比如左边这幅是3，右边这幅是6。

每个标签都有将近200个样本，可供训练。

 

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

我们首先定义一个函数，用于把上面这样的一个txt文件，变成一个1*1024的特征矩阵。

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

然后，基于训练集合测试集，测试classify0分类器的效果。

from os import listdir

def handwritingClassTest():
    hwLabels = []
    trainingFileList = listdir('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)
        trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)
    testFileList = listdir('testDigits')
    errorCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
        print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)
        if (classifierResult != classNumStr): errorCount += 1.0
    print "\nthe total number of errors is: %d" % errorCount
    print "\nthe total error rate is: %f" % (errorCount/float(mTest))

hwLabels 存放每条训练集数据的标签。

listdir 函数列出路径下的所有文件和文件夹。'trainingDigits' 这个目录下放的是训练集数据样本（就是上面那张图展现的众多文本文件）。m是训练集样本数量。trainingMat是训练集特征矩阵。

8~13行这个循环：每个训练样本命名规则是n_x.txt，n就是标签，x是该标签的第几个样本。比如1_6.txt就是标签1的第6的样本。标签存入hwLabels这个list里面。然后把文本文件转换成特征矩阵，用的是刚才那个img2vector函数。

然后开始搞测试样本。测试样本放在'testDigits' 这个目录下，mTest是测试样本数量。

17~24行这个循环：首先也是通过文件名把测试样本的正确标签抠出来，存入classNumStr。然后把文本文件转换成特征矩阵，存入vectorUnderTest。然后把vectorUnderTest当做待测试数据传入classify0分类器（源码在第一篇博客）。得出的分类结果和classNumStr相比较，统计错误率。

运行结果（运行的过程比较慢）：

错误率仅为1.2%，效果还是不错的。