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.split(&