基于KNN分类算法手写数字识别的实现（一）——蛮力实现

最新推荐文章于 2024-04-02 18:36:02 发布

原创

最新推荐文章于 2024-04-02 18:36:02 发布 · 1.4k 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#KNN #手写数字

本文介绍了如何使用KNN算法实现手写数字识别，详细讲解了处理28*28像素的黑白位图过程，通过计算欧氏距离找到K个最近邻进行多数表决预测。提供数据下载链接并展示程序生成训练集和测试集的过程。最后，展示了算法运行的精确度和耗时情况。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

KNN邻近算法可用于分类，也可用于回归，具体的原理介绍参考博文http://www.cnblogs.com/v-July-v/archive/2012/11/20/3125419.html

本篇主要包括：手写数字图片的识别和KNN的实现。因为KNN分类算法通过距离来确定最近邻。距离算法有欧氏距离、曼哈顿距离和闵可夫斯基距离等，本篇主要使用欧氏距离。

$D(x,y)=\sqrt{(x_{1} - y_{1})^{^{2}}+(x_{2} - y_{2})^{^{2}}+...+(x_{n} - y_{n})^{^{2}}}=\sqrt\\\sum _{i=1}^{n}\left ( (x_{i} - y_{i})^{^{2}} \right )$

通过找到K个最近邻做预测，计算预测样本和所有训练集中样本的距离，计算出最小的k个距离，然后多数表决。

（一）处理手写数字图片

数据下载地址：https://pan.baidu.com/s/1c1GXdJi

样本图片都为底色为黑色，手写数字为白色的位图(.bmp格式)，而且图片大小固定，为28*28pi

处理方法：

计算每个像素点位置的rgb值，rgb(0,0,0)为纯黑色，rgb(255,255,255)为纯白色；
将所有像素点的颜色处理成'“0”和“1”的数值，黑色处理为数字‘1’，白色处理为数字‘0’
然后将每个像素点的数值写入文本文件。

抽样生成测试集数据文件和训练集数据文件。

代码：

import os
import datetime
import numpy as np
from numpy import *
from PIL import Image
import pandas as pd
import traceback


#图片处理函数
def Picture_handle(file_rou