k近邻原理
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,然后提取样本集中特征最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前 𝑘 个最相似的数据,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类别,作为新数据的分类。
L1,L2,L-lnf 距离
基于python的手写数字识别
将下载的MNIST数据集进行解压,保存为图片格式,存入data文件夹下,data下分别建立train和test文件夹,存入训练集和测试集
train文件夹下的数据集如下:0-9每个数字各有100张图像
test文件夹下的数据集如下:0-9每个数字各有若干张图像
自写代码如下:
import numpy as np
from os import listdir
import cv2
import operator
# 分类器采用欧式距离
def classify0(inX, dataSet, labels, k):
"""
参数:
- inX: 用于分类的输入向量
- dataSet: 输入的训练样本集
- labels: 样本数据的类标签向量
- k: 用于选择最近邻居的数目
"""
# 获取样本数据数量
dataSetSize = dataSet.shape[0]
# 矩阵运算,计算测试数据与每个样本数据对应数据项的差值
# tile(a, (10, 1)) 表示构造了10行a这个向量
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
# sqDistances 上一步骤结果平方和
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1)
# 取平方根,得到距离向量
distances = sqDistances ** 0.5
# 按照距离从低到高排序
sortedDistIndicies = distances.argsort()
classCount = {}
# 依次取出最近的样本数据
for i in range(k):
# 记录该样本数据所属的类别
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
# 对类别出现的频次进行排序,从高到低
sortedClassCount = sorted(
classCount.items(), key=operator.itemgetter(1), reverse=True)
# 返回出现频次最高的类别
return sortedClassCount[0][0]
def img2vector(filename):
img = cv2.imread(filename, cv2.IMREAD_GRAYSCALE)
returnVect = np.zeros((1, 784)) # 创建向量
for i in range(28):
for j in range(28):
returnVect[0, 28 * i + j] = img[i][j]
return returnVect
# 进行手写数字测试
def handwriteCalssTest():
hwLabels = [] # 样本数据的标签
trainingFileList = listdir('./data/train') # 读取样本数据列表
m = len(trainingFileList) # 样本数据的实例数
trainingMat = np.zeros((m, 784)) # 初始化样本数据矩阵, 模版图像: 28*28=784
# 依次读取所有样本到数据矩阵中
for i in range(m):
# 提取文件名中的数字
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
# 将样本数据存入矩阵
trainingMat[i, :] = img2vector('./data/train/%s' % fileNameStr)
# 循环读取测试数据
testFileList = listdir('./data/test')
# 初始化错误率
errorCount = 0.0
mTest = len(testFileList)
# 循环测试每个测试数据文件
for i in range(mTest):
# 提取文件名中的数字
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
# 提取数据向量
vectorUnderTest = img2vector('./data/test/%s' % fileNameStr)
# 对数据文件进行分类
classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
# 打印 K 近邻算法分类结果和真实的分类
print("测试样本 %d, 分类器预测: %d, 真实类别: %d" % (i + 1, classifierResult, classNumStr))
# 判断K 近邻算法结果是否准确
if (classifierResult != classNumStr):
errorCount += 1.0
# 打印错误率
print("\n错误分类计数: %d" % errorCount)
print("\n错误分类比例: %f" % (errorCount/float(mTest)))
print('\n分类器准确率: %f' % (1 - (errorCount/float(mTest))))
if __name__ == '__main__':
handwriteCalssTest()
使用机器学习库自带knn分类器,代码如下
"""
使用机器学习库自带的 knn分类器进行手写数字分类
"""
import numpy as np
from os import listdir
import cv2
import operator
from sklearn.neighbors import KNeighborsClassifier
def img2vector(filename):
img = cv2.imread(filename, cv2.IMREAD_GRAYSCALE)
returnVect = np.zeros((1, 784)) # 创建向量
for i in range(28):
for j in range(28):
returnVect[0, 28 * i + j] = img[i][j]
return returnVect
hwLabels = [] # 样本数据的标签
trainingFileList = listdir('./data/train') # 读取样本数据列表
m = len(trainingFileList) # 样本数据的实例数
trainingMat = np.zeros((m, 784)) # 初始化样本数据矩阵
# 依次读取所有样本到数据矩阵中
for i in range(m):
# 提取文件名中的数字
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
# 将样本数据存入矩阵
trainingMat[i, :] = img2vector('./data/train/%s' % fileNameStr)
# 循环读取测试数据
testFileList = listdir('./data/test')
# 初始化错误率
testLabels = []
mTest = len(testFileList)
print(mTest)
vectorUnderTest = np.zeros((mTest, 784)) # 初始化样本数据矩阵
print(vectorUnderTest.shape)
# 循环测试每个测试数据文件
for i in range(mTest):
# 提取文件名中的数字
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0]
classNumStr = int(fileStr.split('_')[0])
testLabels.append(classNumStr)
# 提取数据向量
vectorUnderTest[i, :] = img2vector('./data/test/%s' % fileNameStr)
model = KNeighborsClassifier(n_neighbors=3) # k=3
model = model.fit(trainingMat, hwLabels) # 建立训练集向量
score = model.score(vectorUnderTest, testLabels) # 对测试集进行测试
print(score)