KNN--用于手写数字识别（机器学习入门笔记）

最新推荐文章于 2024-08-22 20:15:15 发布

z轴

最新推荐文章于 2024-08-22 20:15:15 发布

阅读量1w

点赞数 1

分类专栏：机器学习文章标签：机器学习算法数据

本文链接：https://blog.csdn.net/zengxyuyu/article/details/54382182

版权

机器学习专栏收录该内容

3 篇文章 1 订阅

订阅专栏

最近在看机器学习实战这本书，写下博客作为笔记以帮助记忆。
主要内容
一、K-近邻算法概述
二、K-近邻算法–用于平面上的点的分类
三、K-近邻算法–用于手写数字的识别
四、归一化数值的重要性

一、K-近邻算法概述

概括的说，K-近邻算法采用测量不同特征值之间的距离的方法进行分类。
它的工作原理是：存在一个样本数据集合，也称训练样本集，并且样本集中每个数据存在标签，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，将新数据的每个特征与样本集中的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）的分类标签。一般来说，只选择样本数据集中前k个最相似的数据，这就是K-近邻算法中K的出处，通常K是不大于20的整数。最后，选择最相似数据中出现次数最多的分类，作为新数据的分类。
说白了，就是将新数据和训练集中每个数据进行比较，找到距离新数据最近的K个数据，对这K个数据的标签进行统计，支持数最高的标签即可认为是新数据的标签。比如K=10，其中有9的标签是A类，1个的标签是B类，那么这个新数据的标签被认为是A。

二、K-近邻算法–用于平面上的点的分类

1.分析数据：
使用matplotlib创建散点图，目的是为了更好的观察数据。
我们使用这些数据
[[1.0,1.1],[1.0,1.0],[0.0,0.0],[0.0,0.1]]
标签分别为
[‘A’,’A’,’B’,’B’]

#从pathon创建数据
def createDataset():
    group = array([[1.0,1.1],[1.0,1.0],[0.0,0.0],[0.0,0.1]])
    labels = ['A','A','B','B']
    return group,labels
def draw(xs,ys):
    fig = plt.figure()
    # 将画布分割成1行1列，图像画在从左到右从上到下的第1块
    ax = fig.add_subplot(111)
    #ax.scatter(xs, ys)的两个参数分别是所有点的x坐标，所有点的y坐标
    ax.scatter(xs, ys)
    plt.show()
if __name__ == "__main__":
    group,label = createDataset()
    draw(group[:,0],group[:,1])

得到下图
这里写图片描述

2.实施KNN算法
（1）伪代码如下：
对未知类别属性的数据集中每个点依次执行一下操作：
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
④确定前K个点所在类别出现的频率
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
（2）
欧式距离公式，计算两个向量点xA和xB之间的距离
这里写图片描述
（3）代码

def classify(inX,dataset,labels,k):
    datasetSize = dataset.shape[0]
    ###以下距离计算公式
    diffMat = tile(inX,(datasetSize,1))-dataset#tile函数的作用是复制,如tile
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5
    ###以上是距离计算公式
    #距离从大到小排序，返回距离的序号
    sortedDistIndicies = distances.argsort()
    #字典的声明
    classCount = {}
    #前K个距离最小的
    for i in range(k):
        #sortedDistIndicies[0]返回的是距离最小的数据样本的序号
        #labels[sortedDistIndicies[0]]距离最小的数据样本的标签
        voteIlabel = labels[sortedDistIndicies[i]]
        #以标签为key,支持该标签+1
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    #给该字典排序，sortedClassCount[0][0]是K中支持的标签数最大的
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

3.测试分类器

新数据(1.0, 1.2)

from numpy import *
import operator
from os import listdir
import matplotlib.pyplot as plt

def classify(inX,dataset,labels,k):
    datasetSize = dataset.shape[0]
    ###以下距离计算公式
    #tile函数的作用是复制,如tile
    diffMat = tile(inX,(datasetSize,1))-dataset
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5
    ###以上是距离计算公式
    #距离从大到小排序，返回距离的序号
    sortedDistIndicies = distances.argsort()
    #字典的声明
    classCount = {}
    #前K个距离最小的
    for i in range(k):
        #sortedDistIndicies[0]返回的是距离最小的数据样本的序号
        #labels[sortedDistIndicies[0]]距离最小的数据样本的标签
        voteIlabel = labels[sortedDistIndicies[i]]
        #以标签为key,支持该标签+1
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    #给该字典排序，sortedClassCount[0][0]是K中支持的标签数最大的
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]
#从pathon创建数据
def createDataset():
    group = array([[1.0,1.1],[1.0,1.0],[0.0,0.0],[0.0,0.1]])
    labels = ['A','A','B','B']
    return group,labels
def firstTest():
    test1 = (1.0, 1.2)
    test2 = (0.0, 0.4)
    dataset, labels = createDataset()
    conclusion1 = classify(test1, dataset, labels, 3)
    conclusion2 = classify(test2, dataset, labels, 3)
    print(str(test1) + "分类后的结果是属于" + conclusion1 + "类")
    print(str(test2) + "分类后的结果是属于" + conclusion2 + "类")

if __name__ == "__main__":
    firstTest()

得到的结果如下图
这里写图片描述

三、K-近邻算法–用于手写数字的识别

1.准备数据
①目录trainingdigits中包含大约2000个例子，所以数字0-9，每个数字大约有200个样本；目录testdigits中包含大约900个测试数据；我们使用目录trainingdigits中的数据训练分类器，使用目录testdigits中的数据测试分类器的效果。
这里写图片描述
②将32*32的二进制图像矩阵转换为1*1024的向量

#将32*32的矩阵读为1*1024
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

2.测试算法

# -*- coding:utf-8 -*-
from numpy import *
import operator
from os import listdir
import matplotlib.pyplot as plt

def classify(inX,dataset,labels,k):
    datasetSize = dataset.shape[0]
    ###以下距离计算公式
    diffMat = tile(inX,(datasetSize,1))-dataset#tile函数的作用是复制,如tile
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5
    ###以上是距离计算公式
    #距离从大到小排序，返回距离的序号
    sortedDistIndicies = distances.argsort()
    #字典的声明
    classCount = {}
    #前K个距离最小的
    for i in range(k):
        #sortedDistIndicies[0]返回的是距离最小的数据样本的序号
        #labels[sortedDistIndicies[0]]距离最小的数据样本的标签
        voteIlabel = labels[sortedDistIndicies[i]]
        #以标签为key,支持该标签+1
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    #给该字典排序，sortedClassCount[0][0]是K中支持的标签数最大的
    sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

#将32*32的矩阵读为1*1024
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
def handwritingClassTest():
    hwLabels = []
    trainingFileList = listdir('digits/trainingDigits')
    m = len(trainingFileList)
    trainingMat = zeros((m,1024))
    #文件名下划线_左边的数字是标签
    for i in range(m):
        fileNameStr = trainingFileList[i]
        fileStr = fileNameStr.split(".")[0]
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainingMat[i,:] = img2vector('digits/trainingDigits/%s' % fileNameStr)
    testFileList = listdir('digits/testDigits')
    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('digits/testDigits/%s' % fileNameStr)
        classifierResult = classify(vectorUnderTest, trainingMat, hwLabels, 3)
        print("the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr))
        if (classifierResult != classNumStr): errorCount += 1.0
    print("\nthe total number of errors is: %d" % errorCount)
    print("\nthe total error rate is: %f" % (errorCount / float(mTest)))

if __name__ == "__main__":
    handwritingClassTest()

3.结果如下：
这里写图片描述

4.改变K的值，修改函数随机选取训练样本，改变训练样本的数目，都会对K-邻近算法的错误率产生影响

四、归一化数值的重要性

1.为什么要归一化数值？
如图：
这里写图片描述
要计算样本3和4之间的距离，可以使用下面的方法

$\sqrt {(0-67)^2+(20000-32000)^2+(1.1-0.1)^2}$
上面方程中数字差值最大的属性对计算结果的影响最大，仅仅是因为飞行常客里程数远大于其他特征值。然而我们认为这三种特征同样重要，因此作为三个等权重的特征。
2.下面的公式可以将任意取值范围的特征值转化为0到1区间内的值：

newValue = (oldValue-min)/(max-min)

3.代码

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