【机器学习】Knn算法实现手写数字识别

最新推荐文章于 2024-04-25 20:07:55 发布

原创

最新推荐文章于 2024-04-25 20:07:55 发布 · 801 阅读

2 ·

CC 4.0 BY-SA版权

本文详细介绍了如何使用Knn算法进行手写数字识别。通过结合数据集，展示了从数据预处理到模型训练的完整过程，旨在帮助读者理解Knn在实际应用中的操作步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from numpy import *
import os
import time

 #inputX表示输入向量
 #dataSet表示训练样本
 #label表示训练样本的标签
 #k是最近邻的参数，选最近k个
def kNNclassify(inputX, dataSet, labels, k):
     dataSetSize = dataSet.shape[0]#计算有几个训练数据，shape[0]计算出第一维度长度即列数，属于Python中operator模块的内置操作
     #开始计算欧几里得距离
     # 先将待分类项扩展成和数据集一样列数的dataSetSize行矩阵，再作差，得到差值矩阵
     diffMat = tile(inputX, (dataSetSize,1)) - dataSet
     # 差值矩阵平方 （x**2是x的二次方）
     sqDiffMat = diffMat ** 2
     # 计算每一行上元素的和
     sqDistances = sqDiffMat.sum(axis=1)#矩阵每一行向量相加
      # 开方得到欧拉距离矩阵
     distances = sqDistances ** 0.5
     sortedDistance = distances.argsort()
     # 选择距离最小的k个点
     #创建一个字典
     classCount = {}
     for i in range(k):
         #取得第i个近邻的标签
         voteLabel = labels[sortedDistance[i]]
         #get(voteLabel,0)从字典中取键votelabel也就是数字多对应的出现次数若没有则取0然后加1；
         classCount[voteLabel] = classCount.get(voteLabel,0) + 1
    #返回字典中值最大的那个键
     res = max(classCount)
     return res

def img2vec(filename):
    #创建一行1024列