机器学习：k-近邻算法（三）sklearn手写数字识别

目录

一、实战背景

二、sklearn

1、sklearn的简介

2、sklearn安装

 3.sklearn实现k-近邻算法简介

三、使用sklearn实现手写数字识别

 1、提供的数据是32x32的二进制图像，将其转化为1x1024的向量。编写代码如下：

2.调用sklearn.neighbors.KNeighborsClassifier实现手写数字识别

3.main函数实现

4.测试结果

四、自己用Python写k-近邻算法分类器实现

1.代码如下：

2.测试结果如下：

---

一、实战背景

这里的手写数字数据经过图形处理，被处理成了相同颜色和大小，宽高为32x32，采用文本的格式存储图像，数字的文本格式如下图：

这些文本格式的数据文件的命名也有特点，格式为：数字的值_该数字的样本序号，如下图所示：

 数据集的下载地址：数据集下载

对于处理好的文本，这里采用python提供的第三方库Sklearn构建手写数字系统，当然也可以用上一小节（机器学习：K-近邻算法（二）约会网站配对效果_晶哥哥&的博客-优快云博客）的方法设计K-近邻算法分类器。

二、sklearn

1、sklearn的简介

参考：手写数字识别中的sklearn简介

2、sklearn安装

在安装sklearn之前需要安装两个库，即numpy+mkl和scipy，这里不建议用pip安装，第三方库的下载地址：http://www.lfd.uci.edu/~gohlke/pythonlibs/

在网页中找到对应的版本的numpy+mkl和scipy,Ctrl+F可以出现搜索框搜索这两个库，如下图所示

 

 分析这里边的数字代表什么，例如

 （1）1.22.3代表你python中numpy库的版本号

（2）cp38代表你python的版本号为3.8.x

（3）amd64代表你电脑的位数为64

根据自己的电脑和安装的Python选择，如何查看python版本号和numpy库的版本号，看下面：

先打开cmd，然后按照下方输入

 

scipy中的数字理解和上边一样，这里介绍scipy的版本查看：

接着上面的cmd往下输入

这两个.whl文件下载完成后，输入下面箭头所指的命令下载安装sklearn，这里注意，要先退出python环境，输入:exit(0)，然后再输入箭头所指的命令

 3.sklearn实现k-近邻算法简介

官网英文文档：英文文档

里面有sklearn.neighbors.KNeighborsClassifier参数介绍，方法介绍，可以参考这个大佬的文章介绍：参数中文介绍

三、使用sklearn实现手写数字识别

 1、提供的数据是32x32的二进制图像，将其转化为1x1024的向量。编写代码如下：

import numpy as np

def img2vector(filename):
    #初始化1x1024向量
    returnVect=np.zeros((1,1024))
    #打开文件
    file=open(filename)
    #将数据的每一行一次存放到向量中
    for i in range(32):
        #读取一行数据
        lineStr=file.readline()
        
        for j in range(32):
            returnVect[0,32*i+j]=int(lineStr[j])
    #返回转换后的1x1024向量
    return returnVect

2.调用sklearn.neighbors.KNeighborsClassifier实现手写数字识别

编写代码如下：

from sklearn.neighbor import KNeighborsClassifier as KNN
from os import listdir
import numpy as np

def handwriteClassTest():
    #获得训练集的类别labels
    hwLabels=[]
    #获取trainingDigits目录下的文件名
    trainingFileList=listdir('trainingDigits')
    #得到文件的个数
    m=len(trainingFileList)
    #初始化训练集矩阵
    trainingMat=np.zeros((m,1024))
    #从文件中解析出训练集的类别
    for i in range(m):
        #获得文件的名字
        fileNameStr=trainingFileList[i]
        #获得分类的数字
        classNumber=int(fileNameStr.split('_')[0])
        #将类别添加到类别Labels中
        hwLabels.append(classNumber)
        #将每一个文件的数据存放到训练集中
        trainingFileList[i,:]=img2vector('trainingDigits/%s'%(fileNameStr))

    
    #构建KNN分类器，调用
    neigh=KNN(n_neighbors=5,algorithm='auto')
    #拟合模型
    neigh.fit(trainingMat,hwLabels)
    #获取测试集下文件
    testFlieList=listdir('testDigits')
    #获取测试集的文件个数
    mTest=len(testFileList)
    #错误计数器
    errorCount=0.0
    #从文件中获取测试集类别
    for i in range(mTest):
        #获取文件的名字
        fileNameStr=testFileList[i]
        #获取类别
        classNumber=int(fileNameStr.split('_'[0]))
        #获得测试集向量1x1024
        vectorUnderTest=img2vector('testDigits/%s'%(fileNameStr))
        #获得预测结果
        classfierResult=neigh.predict(vectorUnderTest)
        print('分类返回结果为%d\t真实结果为%d'%(classfierResult,classNumber))
        if classfierResult!=classNumber:
            errorCount+=1.0
    print('总共错了%d个数据，错误率为%f%%'%(errorCount,errorCount/mTest*100))
    

3.main函数实现

if __name__=='__main__':
    handwriteClassTest()

4.测试结果

 

四、自己用Python写k-近邻算法分类器实现

1.代码如下：

import numpy as np
import operator
from os import listdir

'''
函数说明：KNN算法分类器，做距离计算找出前k个距离最小的结果中最小距离分类

参数：
inX---用于分类的数据，测试集
dataSet---用于训练的数据，训练集
labels--分类标签
k---KNN算法参数，选择距离最小的k个点
'''

def classify0(inX,dataSet,labels,k):
    #获取训练集的行数
    dataSetsize=dataSet.shape[0]
    #矩阵相减
    diffMat=np.tile(inX,(dataSetsize,1))-dataSet
    #平方
    sqDiffMat=diffMat**2
    #平方后的数据相加
    sqDistances=sqDiffMat.sum(1)
    #开平方，得到距离
    distances=sqDistances**0.5
    #获取distances中元素从小到大后索引值
    sortedDistIndices=distances.argsort()
    #初始化记录类别数的字典
    classCount={}
    #计算前k个距离的类别个数
    for i in range(k):
        #取出前k个元素的类别
        voteIlabel=labels[sortedDistIndices[i]]
        #计算类别次数
        classCount[voteIlabes]=classCount.get(voteIlabel,0)+1
    #按照值降序排列
    sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #返回次数最多的类别
    return sortedClassCount[0][0]


'''
函数说明：将32x32的二进制图像转化为1x1024向量

参数：filename----文件名
'''

def img2vector(filename):
    #初始化1x1024向量
    returnVect=np.zeros((1,1024))
    #打开文件
    file=open(filename)
    #按行读取
    for i in range(32):
        #读取一行
        lineStr=file.readline()
        #将每一行数据一次存放到returnVect
        for j in range(32):
            returnVect[0,i*32+j]=int(lineStr[j])
    #返回转换后的1x1024向量
    return returnVect


'''
函数说明：手写数字分类测试

'''
def handwriteClassTest():
    #初始化训练集labels
    hwLabels=[]
    #获取训练集文件下的文件
    trainingFileList=listdir('trainingDigits')
    #获得文件个数
    m=len(trainingFileList)
    #初始化训练集矩阵
    trainingMat=np.zeros((m,1024))
    #从文件中解析类别
    for i in range(m):
        #获得文件名字
        fileNameStr=trainingFileList[i]
        #获得分类的数字
        classNumber=int(filenNameStr.split('_')[0])
        #将获得类别添加
        hwLabels.append(classNumber)
        #将文件的数据存储到训练集矩阵
        trainingMat[i,:]=img2vector('trainingDigits/%s'%(fileNameStr))
    #获得测试集文件下的文件名
    testFileList=listdir('testDigits')
    #测试集数据的数量
    mTest=len(testFileList)
    #错误计数
    errorCount=0.0
    #从文件中解析测试集的类别并进行分类
    for i in range(mTest):
        #获得文件名
        fileNameStr=testFileList[i]
        #获得类别数字
        classNumber=int(fileNameStr.split('_')[0])
        #获得测试的1x1024向量，用于训练
        vectorUnderTest=img2vector('testDigits/%s'%(fileNameStr))
        #获得预测结果
        classifierReult=classify0(vectorUnderTest,trainingMat,hwLabels,3)
        print('分类返回结果%d/t真实分类结果%d'%(classifierReult,classNumber))
        if classifierReult!=classNumber:
            errorCount+=1.0
    print('总共错了%d个数据\n错误率为%f%%'%(errorCount,errorCount/mTest*100))
      

'''
函数说明：main函数
'''

if __name__=='__main__':
    handwriteClassTest()
    

2.测试结果如下：

 

 

ps:

k-近邻算法结束。

K-近邻算法理解遗留问题，它的缺点：无法给出数据的内在含义。不理解数据的内在含义

批注：我学习的博主Jack Cui,网址：Jack Cui | 关注人工智能及互联网的个人网站 (cuijiahua.com)

我就是看他的学习记录学习的，详细学习内容可进入他的网站学习。我写文章主要目的是为了再次熟悉代码和记录不会的知识点。