基于KNN算法的手写体数字识别

基于KNN算法的手写体数字识别

KNN分类算法是一种经典的分类算法，属于懒惰学习算法的一种。

1.算法原理

工作原理：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是kNN算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作位新数据的分类。

kNN算法的一般流程
1.收集数据：可以使用任何方法。
2.准备数据：距离计算所需要的数值，最好是结构化的数据格式。
3.分析数据：可以使用任何方法。
4.训练算法：此步骤不使用与kNN算法
5.测试算法：计算错误率
6.使用算法：首先需要输入样本数据和结构化的输出结果，然后运行kNN算法判定输入数据分别属于那个分类，最后应用对计算出的分类执行后续处理。

2.手写识别系统大致流程

使用kNN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img2vector(),将图像格式转换为分类器使用的向量格式。
3.分析数据：在Python命令提示符中检查数据，确保它符合要求。
4.训练算法：此步骤不适用与kNN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：使用已编写好的算法来对测试样本进行测试

3.算法各模块程序介绍

3.1.kNN分类算法

伪代码
计算已知类别属性的数据集中的每个点依次执行以下操作：
1.计算已知类别数据集中的点与当前点之间的距离；
2.按照距离递增次序排序；
3.选取与当前点距离最小的k个点（此处取k=3）；
4.确定前k个点所在类别的出现频率；
5.返回前k个点出现频率最高的类别作为当前点的预测分类。

#算法需要调用的python库
from numpy import *
import operator
from os import listdir
from skimage import data
import matplotlib.pyplot as plt
from skimage import io,color,transform

kNN算法程序：

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			#距离计算
    sortedDistIndicies = distances.argsort()     
    classCount={
   }          
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]	#选择距离最小的k个点
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)	#排序
    return sortedClassCount[0][0]

3.2.归一化数据（手写识别不适用）

由于可能遇到的特征值量纲不同，而形成干扰，故需对数据进行归一化。

def autoNorm(dataSet):
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    ranges = maxVals - minVals
    normDataSet = zeros(shape(dataSet))
    m = dataSet.shape[0]
    normDataSet = dataSet - tile(minVals, (m,1))
    normDataSet = normDataSet/tile(ranges, (m,1))   #element wise divide
    return normDataSet, ranges, minVals

3.3.将图像转换为测试向量

由于本系统的训练测试数据是由32*32的txt文件构成，且文件名代表该样本标签，如下图所示：

故需要将其样本格式化处理为一个向量

#将图像矩阵转换为矩阵
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

3.4.测试算法

#手写数字识别系统的测试函数
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])#从文件名中解析分类数据
        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