需求
利用一个手写数字“先验数据”集，使用knn算法来实现对手写数字的自动识别； 先验数据（训练数据）集：
- 数据维度比较大，样本数比较多。
- 数据集包括数字0-9的手写体。
- 每个数字大约有200个样本。
- 每个样本保持在一个txt文件中。
- 手写体图像本身的大小是32x32的二值图，转换到txt文件保存后，内容也是32x32个数字，0或者1，如下：
数据集压缩包解压后有两个目录：
- 目录trainingDigits存放的是大约2000个训练数据
- 目录testDigits存放大约900个测试数据。
本案例看起来跟前一个案例几乎风马牛不相及，但是一样可以用KNN算法来实现。没错，这就是机器学习的魅力，不过，也是机器学习的难点：模型抽象能力！
思考：
1. 手写体因为每个人，甚至每次写的字都不会完全精确一致，所以，识别手写体的关键是“相似度”
2. 既然是要求样本之间的相似度，那么，首先需要将样本进行抽象，将每个样本变成一系列特征数据（即特征向量）
3. 手写体在直观上就是一个个的图片，而图片是由上述图示中的像素点来描述的，样本的相似度其实就是像素的位置和颜色之间的组合的相似度
4. 因此，将图片的像素按照固定顺序读取到一个个的向量中，即可很好地表示手写体样本
5. 抽象出了样本向量，及相似度计算模型，即可应用KNN来实现
新建一个kNN.py脚本文件，文件里面包含四个函数：
- 一个用来生成将每个样本的txt文件转换为对应的一个向量，
- 一个用来加载整个数据集，
- 一个实现kNN分类算法。
- 最后就是实现加载、测试的函数。
#########################################
# kNN: k Nearest Neighbors
# 参数: inX: vector to compare to existing dataset (1xN)
# dataSet: size m data set of known vectors (NxM)
# labels: data set labels (1xM vector)
# k: number of neighbors to use for comparison
# 输出: 多数类
#########################################
from numpy import *
import operator
import os
# KNN分类核心方法
def kNNClassify(newInput, dataSet, labels, k):
numSamples = dataSet.shape[0] # shape[0]代表行数
## step 1: 计算欧式距离
# tile(A, reps): 将A重复reps次来构造一个矩阵
# the following copy numSamples rows for dataSet
diff = tile(newInput, (numSamples, 1)) - dataSet # Subtract element-wise
squaredDiff = diff ** 2 # squared for the subtract
squaredDist = sum(squaredDiff, axis = 1) # sum is performed by row
distance = squaredDist ** 0.5
## step 2: 对距离排序
# argsort()返回排序后的索引
sortedDistIndices = argsort(distance)
classCount = {} # 定义一个空的字典
for i in xrange(k):
## step 3: 选择k个最小距离
voteLabel = labels[sortedDistIndices[i]]
## step 4: 计算类别的出现次数
# when the key voteLabel is not in dictionary classCount, get()
# will return 0
classCount[voteLabel] = classCount.get(voteLabel, 0) + 1
## step 5: 返回出现次数最多的类别作为分类结果
maxCount = 0
for key, value in classCount.items():
if value > maxCount:
maxCount = value
maxIndex = key
return maxIndex
# 将图片转换为向量
def img2vector(filename):
rows = 32
cols = 32
imgVector = zeros((1, rows * cols))
fileIn = open(filename)
for row in xrange(rows):
lineStr = fileIn.readline()
for col in xrange(cols):
imgVector[0, row * 32 + col] = int(lineStr[col])
return imgVector
# 加载数据集
def loadDataSet():
## step 1: 读取训练数据集
print "---Getting training set..."
dataSetDir = 'E:/Python/ml/knn/'
trainingFileList = os.listdir(dataSetDir + 'trainingDigits') # 加载测试数据
numSamples = len(trainingFileList)
train_x = zeros((numSamples, 1024))
train_y = []
for i in xrange(numSamples):
filename = trainingFileList[i]
# get train_x
train_x[i, :] = img2vector(dataSetDir + 'trainingDigits/%s' % filename)
# get label from file name such as "1_18.txt"
label = int(filename.split('_')[0]) # return 1
train_y.append(label)
## step 2:读取测试数据集
print "---Getting testing set..."
testingFileList = os.listdir(dataSetDir + 'testDigits') # load the testing set
numSamples = len(testingFileList)
test_x = zeros((numSamples, 1024))
test_y = []
for i in xrange(numSamples):
filename = testingFileList[i]
# get train_x
test_x[i, :] = img2vector(dataSetDir + 'testDigits/%s' % filename)
# get label from file name such as "1_18.txt"
label = int(filename.split('_')[0]) # return 1
test_y.append(label)
return train_x, train_y, test_x, test_y
# 手写识别主流程
def testHandWritingClass():
## step 1: 加载数据
print "step 1: load data..."
train_x, train_y, test_x, test_y = loadDataSet()
## step 2: 模型训练.
print "step 2: training..."
pass
## step 3: 测试
print "step 3: testing..."
numTestSamples = test_x.shape[0]
matchCount = 0
for i in xrange(numTestSamples):
predict = kNNClassify(test_x[i], train_x, train_y, 3)
if predict == test_y[i]:
matchCount += 1
accuracy = float(matchCount) / numTestSamples
## step 4: 输出结果
print "step 4: show the result..."
print 'The classify accuracy is: %.2f%%' % (accuracy * 100)
测试非常简单，只需要在命令行中输入：
import kNN
kNN.testHandWritingClass()
输出结果如下：
step 1: load data...
---Getting training set...
---Getting testing set...
step 2: training...
step 3: testing...
step 4: show the result...
The classify accuracy is: 98.84%
