python识别手写数字knn_机器学习-kNN实现简单的手写数字识别系统

最新推荐文章于 2024-04-25 20:07:55 发布
最新推荐文章于 2024-04-25 20:07:55 发布
阅读量159 收藏
点赞数
文章标签： python识别手写数字knn

功能

利用k-邻近算法，实现识别数字0到9

开发环境Mac

Python3.5(Anaconda)

PIL

numpy

数据集和项目源代码

数据集

下面是32*32的黑白图像

32* 32像素数据集

为了方便处理，提供了文本文件

文本数据

数据集分为训练集和测试集，其中训练集是已经分类好的数据，测试集是用来测试算法。

将数据转换为特征向量

从上图可知，拿到的是32*32的的矩阵，每一个点是一个像素值，将这1024(32

32)个数值，转换成(1，1024)的向量。

数据转换为特征向量

KNN分类器

kNN分类器

输入测试集，测试算法

测试算法

看看选择不同的k值，分类效果如何

取不同的k值

这里看错误的个数，绘制一个折线图

注意：执行时间比较长，去喝杯咖啡吧

这里取1-4，当然你也可以取更高的k值(速度慢)

实验结果证明，取k=3，效果比较好。

txt转换为png图像

为了更具真实性，同样写了txt转换为png的代码。

txt转png

图像转txt文件

image.png

总结

数据集如果稍大一点，执行时间会变得非常长

作者：姜康

链接：https://www.jianshu.com/p/a81ce10c4076

weixin_39917894
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
KNN算法实现手写数字识别的三种方法（源码）
04-27
KNN算法使用MNIST数据集、0-1二值图集、自写的数字图片集，做手写数字识别的代码，文件夹分类明确。
kNN算法实现手写数字识别（机器学习）
RuijieRen的博客
10-09 1万+
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、实验步骤 二、实验过程 1.收集数据：提供文本文件 2.准备数据：将图像转换为测试向量 3.测试算法：使用k-近邻算法识别手写数字 ​ 总结 前言 此时实验利用KNN算法实现手写数字识别，为了简单起见只能识别数字0到9需要识别的数字已经使用图形处理软件处理成相同的色彩和大小：宽高32像素x32像素的黑白图像，并将图像转换为文本格式。 提示：以下是本篇文章正文内容，下面案例可供参考 一
机器学习-神经网络-手写数字识别-KNN（有代码，有解析，有数据集，可视化）
m0_63669388的博客
03-07 3216
本文主要实现了基于tensorflow的手写数字识别，同时也有一个与KNN实现手写数字识别，内容较为细致，适合初步学习神经网络的友友。
机器学习入门-kNN算法实现手写数字识别
Keiji582的博客
09-27 6525
实验环境 Python:3.7.0 Anconda:3-5.3.1 64位 操作系统:win10 开发工具:sublime text(非必要) 简介 本次实验中的重点为采用kNN算法进行手写数字识别，其中kNN算法是机器学习中入门的分类算法。其核心思想是将需要进行分类的目标放入已有充足样本的向量集中，求得与其距离最近的前k(自定超参数)个点，并返回这k个点中出现频率最高的类别，并将此类别作为模型的预测结果。 kNN算法 为了实现手写数字的分类，最重要的是取得分类算法 #kNN算法 def kNNclassi
KNN识别手写数字
dianwei0041的博客
06-30 311
一、问题描述 手写数字被存储在EXCEL表格中，行表示一个数字的标签和该数字的像素值，有多少行就有多少个样本。 一共42000个样本 二、KNN KNN最邻近规则，主要应用领域是对未知事物的识别，即判断未知事物属于哪一类，判断思想是，基于欧几里得定理，判断未知事物的特征和哪一类已知事物的的特征最接近； K最近邻(k-Nearest Neighbor，KNN)分类...
实验二_knnpython_python_车牌_手写数字识别_
10-02
总的来说，KNN在车牌手写数字识别的应用展示了机器学习在图像识别领域的强大潜力。通过Python实现，这个项目提供了一个直观的学习平台，帮助开发者了解如何将理论知识应用于实际问题解决。随着深度学习技术的发展，...
KNN.zip_KNN 数字_knn数据_手写 识别_手写数字识别_数字识别
07-15
KNN（K-Nearest Neighbors）算法是一种监督学习方法，常用于分类和回归问题，尤其在模式识别和机器学习领域应用广泛。在这个项目中，KNN被用来识别手写数字，这通常涉及到图像处理和计算机视觉技术。下面将详细讨论...
模式识别与机器学习实战 - KNN算法python实现 - 简单入门 -内含数据集和源码
01-10
在本文中，我们将深入探讨机器学习中的一个基本且实用的算法——K近邻（K-Nearest Neighbors，简称KNN）。KNN算法是一种监督学习方法，常用于分类和回归问题，尤其适合初学者入门。这里我们将通过Python编程语言来...
基于Python实现手写数字识别的KNN算法实例
07-27
总之，通过Python实现的手写数字识别KNN算法实例是一个很好的学习平台，涵盖了数据预处理、模型构建、预测和评估等多个环节，有助于提升我们在机器学习领域的技能。同时，这个实例也揭示了在实际应用中如何解决分类...
kNN实现手写数字识别
ai_d_d的博客
04-16 3552
kNN实现手写数字识别
KNN算法实现手写数字识别（Sklearn实现）
热门推荐
Asia-Lee
07-15 2万+
目录 KNN项目实战——手写数字识别 1、数据集介绍 2、准备数据：将图像转换为测试向量 3、代码实现 KNN项目实战——手写数字识别 1、数据集介绍 需要识别的数字已经使用图形处理软件，处理成具有相同的色彩和大小：宽高是32像素x32像素的黑白图像。尽管采用本文格式存储图像不能有效地利用内存空间，但是为了方便理解，我们将图片转换为文本格式。 数字的文本格式如下： ...
交叉验证网格搜索及利用KNN算法实现手写数字识别
最新发布
m0_74152166的博客
04-25 359
交叉验证网格搜索（cross-validation grid search）是一种机器学习模型超参数优化的方法。它结合了网格搜索和交叉验证两种技术，以寻找最佳的模型超参数组合。定义超参数空间：首先，需要确定模型的超参数范围。这些超参数是模型的内部参数，不是通过训练数据直接学习得到的，而是通过调整来优化模型性能的参数。创建网格：基于这些超参数的范围，创建一个超参数的网格。每个网格点代表一个可能的超参数组合。交叉验证：对于网格中的每一个超参数组合，使用交叉验证来评估模型的性能。
【AI】Python 实现 KNN 手写数字识别
Elford的博客
12-05 3013
KNN 实现手写数字分类
KNN算法实现手写数字识别
李玺
03-24 2万+
KNN 最邻近分类算法： （近邻取样） 邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是机器学习分类技术中最简单的方法之一。 所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。 属于监督学习，有类别标记，且KNN是惰性学习。叫做Memory-based learning、也叫instance-based learning. 他...
机器学习笔记(二)——KNN算法之手写数字识别
weixin_43434202的博客
03-10 2935
简介 手写数字识别是KNN算法一个特别经典的实例，其数据源获取方式有两种，一种是来自MNIST数据集，另一种是从UCI欧文大学机器学习存储库中下载，本文基于后者讲解该例。 基本思想就是利用KNN算法计算出如下图一个32x32的二进制矩阵代表的数字是出于0-9之间哪一个数字。 这份数据集呢 ...
机器学习之knn算法----手写数字识别mnist
PY_smallH的博客
12-01 3310
机器学习之knn算法----手写数字识别mnist knn介绍 KNeighborsClassifier(n_neighbors=5, weights=‘uniform’, algorithm=‘auto’, leaf_size=30, p=2, metric=‘minkowski’, metric_params=None, n_jobs=1, **kwargs) Parameters n_neighbors : int, (default = 5)—k的值 weights : str or callabl
KNN实现手写数字识别
dujuancao11的博客
03-23 814
KNN实现手写数字识别 1 重要 2 KNN最近领域 CNN 2种 3 样本准备 网站：http://yann.lecun.com./exdb/mnist 图片 标签 监督学习 0代表空白，1代表中间的黑色区域，共同代表1 ...
手写数字识别算法之kNN
weixin_46824122的博客
04-05 4751
手写数字识别算法之kNN 1、k-近邻算法 ①原理：存在一个样本数据集合，也称作训练样本集，并且样本集中每一个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每一个特征进行比较；然后算法提取样本集中特征最相近数据（最邻近）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，这就是k-邻近算法中k的出处。通常k是不大于20的整数。最后...
基于python的手写数字识别knn_KNN分类算法实现手写数字识别
05-13
手写数字识别是机器学习中经典的问题之一，KNN（K-最近邻）算法是一种常用的分类算法。下面给出基于Python的手写数字识别KNN算法的实现过程。 1. 数据集准备 首先，我们需要一个手写数字的数据集。MNIST数据集是一个经典的手写数字数据集，可以从http://yann.lecun.com/exdb/mnist/下载。下载后，将数据集解压缩到本地文件夹中。 2. 数据预处理 将数据集中的图片转换成向量形式，以便于计算机处理。这里我们将每张图片转换成一个784维的向量（28*28像素），并将像素值归一化到[0,1]范围内。 ```python import os import struct import numpy as np def load_mnist(path, kind='train'): labels_path = os.path.join(path, '%s-labels-idx1-ubyte' % kind) images_path = os.path.join(path, '%s-images-idx3-ubyte' % kind) with open(labels_path, 'rb') as lbpath: magic, n = struct.unpack('>II', lbpath.read(8)) labels = np.fromfile(lbpath, dtype=np.uint8) with open(images_path, 'rb') as imgpath: magic, num, rows, cols = struct.unpack('>IIII', imgpath.read(16)) images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784) return images, labels X_train, y_train = load_mnist('mnist/', kind='train') X_test, y_test = load_mnist('mnist/', kind='t10k') # 数据归一化 X_train = X_train / 255.0 X_test = X_test / 255.0 ``` 3. KNN算法实现 KNN算法的基本思路是：对于一个未知样本，计算它与训练集中每个样本的距离，选择距离最近的K个样本，将它们的标签作为预测结果。 ```python from collections import Counter def knn(X_train, y_train, X_test, k): pred_labels = [] for i in range(len(X_test)): # 计算测试样本与训练集样本的距离 distances = np.sqrt(np.sum((X_train - X_test[i])**2, axis=1)) # 选择距离最近的K个样本 nearest = np.argsort(distances)[:k] # 统计K个样本的标签 counter = Counter(y_train[nearest]) # 将出现次数最多的标签作为预测结果 pred_labels.append(counter.most_common(1)[0][0]) return pred_labels ``` 4. 测试效果 将KNN算法应用到手写数字识别问题上，测试其效果。 ```python pred_labels = knn(X_train, y_train, X_test[:100], 5) accuracy = np.sum(pred_labels == y_test[:100]) / len(y_test[:100]) print('Accuracy:', accuracy) ``` 输出结果如下： ``` Accuracy: 0.97 ``` 可以看出，KNN算法在手写数字识别问题上的表现还是比较不错的。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值