示例:使用允-近邻算法的手写识别系统
(1) 收集数据:提供文本文件。
(2) 准备数据:编写函数 (^13331 印 0 ( ) , 将图像格式转换为分类器使用的制格式。
(1) 收集数据:提供文本文件。
(2) 准备数据:编写函数 (^13331 印 0 ( ) , 将图像格式转换为分类器使用的制格式。
(3)分析数据:在?5^0^命令提示符中检查数据,确保它符合要求。
(4)训练算法:此步驟不适用于各近邻算法。
(5)测试算法:编写函数使用提供的部分数据集作为测试样本,测试样本与非测试样本
‘ 的区别在于测试样本是已经完成分类的数据,如果预测分类与实际类别不同,则标记
为一个错误。
(6)使用算法:本例没有完成此步驟,若你感兴趣可以构建完整的应用程序,从图像中提
取数字,并完成数字识别,美国的邮件分拣系统就是一个实际运行的类似系统。
# -*- coding: utf-8 -*-
# 这样也行
# coding:utf-8
from os import listdir
from numpy import *
import operator
import matplotlib
import matplotlib.pyplot as plt
def createDataSet():
group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels=['A','A','B','B']
return group,labels
#k近邻算法
def classify0(inx,dataset,labels,k):
datasetsize=dataset.shape[0] #获取矩阵的行数
#距离计算 以下完成欧氏距离计算 d = 」(xA0 - xB0)2 + (xA{- xBt )2
# tile用于将数组第一维度扩展4倍,第二维度扩展一倍,再减去dataset
diffmat=tile(inx,(datasetsize,1))-dataset
#对差值矩阵进行平方运算
sqdiffmat=diffmat**2
sqdistance=sqdiffmat.sum(axis=1) #axis=1表示按行求和 ,axis=0表示按列求和
#进行开根号处理
distances=sqdistance**0.5 #欧式距离计算到此结束
sorteddistindiciles=argsort(distances) #argsort函数返回的是数组值从小到大的索引值
classcount={}
#选择最小的k个点
for i in range(k):
voteilabel=labels[sorteddistindiciles[i]] #获取对应的标签
classcount[voteilabel]=classcount.get(voteilabel,0)+1 #d对对应的标签进行计数累加
#排序
sortedclasscount=sorted(classcount.iteritems(),
key=operator.itemgetter(1),reverse=True) #dictionary.iteritems()将classcount迭代成数组
#将字典分解为元组列表,然后使用程序第二行导入运算符模块的itemgetter ,按照第二个元素的次序对元组进行排序©。
#排序为逆序,即按照从最大到最小次序排序,最后返回发生频率最高的元素标签
return sortedclasscount[0][0]
#以下该函数用来读取文本文件转换为矩阵
def file2matrix(filename):
fr = open(filename)
numberOfLines = len(fr.readlines()) #get the number of lines in the file 获取文件的行数
returnMat = zeros((numberOfLines,3)) #prepare matrix to return 准备一个numberOfLines行,3列的矩阵,并用0填充
classLabelVector = [] #prepare labels return
fr = open(filename)
index = 0
for line in fr.readlines(): #这里是对每行进行循环
line = line.strip() #去掉每行后的换行符
listFromLine = line.split('\t') #去掉制表符
returnMat[index,:] = listFromLine[0:3] #把每行的前三个数据存储到数组里去
classLabelVector.append(int(listFromLine[-1])) #把每行的最后一个数据插入标签数组中
index += 1
return returnMat,classLabelVector
#用于归一化
def autoNorm(dataSet):
minVals = dataSet.min(0) #这里的0表示取列里面的最小值而不是行的,,,,这里的minVals是一个1*3的矩阵
maxVals = dataSet.max(0) #这里的0表示取列里面的最大值而不是行的,,,,这里的maxVals是一个1*3的矩阵
ranges = maxVals - minVals #对应的矩阵进行相减
normDataSet = zeros(shape(dataSet)) #建立一个与dataSet维度相同的全0矩阵
m = dataSet.shape[0] #获取dataset的第一维度的值
normDataSet = dataSet - tile(minVals, (m,1)) #tile(minVals, (m,1))用于把minVals扩充成与dataSet维度一样的矩阵
normDataSet = normDataSet/tile(ranges, (m,1))
#element wise divide n e w V a l u e = {o l d V a l u e - m i n ) / (max-min) 这就是归一化的公式
return normDataSet, ranges, minVals
def datingClassTest():
hoRatio = 0.50 #hold out 10%
datingDataMat,datingLabels = file2matrix('datingTestSet2.txt') #load data setfrom file #调用函数读文件
normMat, ranges, minVals = autoNorm(datingDataMat) #对数据进行归一处理
m = normMat.shape[0] #第一维度的行数
numTestVecs = int(m*hoRatio)
errorCount = 0.0 #用于错误计数
for i in range(numTestVecs):
classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3) #调用分类器进行计算
print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, datingLabels[i])
if (classifierResult != datingLabels[i]): errorCount += 1.0 #错误时进行累加
print "the total error rate is: %f" % (errorCount/float(numTestVecs)) #打印错误率
print errorCount #打印错误个数
#将文件进行转换为数组
def img2vector(filename):
returnVect = zeros((1,1024)) #创建一个向量,初始值全为0
fr = open(filename) #获取文件对象
for i in range(32):
lineStr = fr.readline() #按行读
for j in range(32): #按列进行访问
returnVect[0,32*i+j] = int(lineStr[j]) #把32*32的向量进行存储,存储到一维向量中
return returnVect #返回该向量
def handwritingClassTest():
hwLabels = []
trainingFileList = listdir('trainingDigits') #load the training set #获取目录内容,把目录下的文件名一次存储在trainingFileList中
m = len(trainingFileList) #获取该目录下文件数目
trainingMat = zeros((m,1024)) #创建一个全0数组
for i in range(m):
fileNameStr = trainingFileList[i] #循环依次获得每个文件的名字
fileStr = fileNameStr.split('.')[0] #take off .txt 将获得每个文件名进行切片,[0]表示取第0个切片,这样就可以把文件名的后缀去掉
classNumStr = int(fileStr.split('_')[0])#把文件名再次进行切片,获取第0个切片
hwLabels.append(classNumStr) #把获得的数字加入数组,,这里就是标记对应的数字
trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr) #把获得的文件对应的向量存储到对应的数组中
testFileList = listdir('testDigits') #iterate through the test set
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])
vectorUnderTest = img2vector('testDigits/%s' % fileNameStr) #把对应要测试的存储到向量中,注意这里是存储在向量中而不是数组中
classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) #调用分类器进行分类,返回分类结果
if (classifierResult != classNumStr):
errorCount += 1.0 #进行错误记录
print "here is the wrong test ,the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)
else:
print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)
print "\nthe total number of errors is: %d" % errorCount #输出错误数目
print "\nthe total error rate is: %f" % (errorCount/float(mTest)) #输出错误率
handwritingClassTest()