KNN分类算法实现手写数字识别

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：（将这两个目录文件夹拷贝的项目路径下E:/KNNCase/digits/）

♦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。

模型分析：

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

python实现：

新建一个KNN.py脚本文件，文件里面包含四个函数：

1) 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，

2) 一个用来加载整个数据集，

3) 一个实现kNN分类算法。

4) 最后就是实现加载、测试的函数。

  1 #!/usr/bin/python
  2 # coding=utf-8
  3 #########################################
  4 # kNN: k Nearest Neighbors
  5 
  6 # 参数:        inX: vector to compare to existing dataset (1xN)
  7 #             dataSet: size m data set of known vectors (NxM)
  8 #             labels: data set labels (1xM vector)
  9 #             k: number of neighbors to use for comparison
 10 
 11 # 输出:     多数类
 12 #########################################
 13 
 14 from numpy import *
 15 import operator
 16 import os
 17 
 18 
 19 # KNN分类核心方法
 20 def kNNClassify(newInput, dataSet, labels, k):
 21     numSamples = dataSet.shape[0]  # shape[0]代表行数
 22 
 23     # # step 1: 计算欧式距离
 24     # tile(A, reps): 将A重复reps次来构造一个矩阵
 25     # the following copy numSamples rows for dataSet
 26     diff = tile(newInput, (numSamples, 1)) - dataSet  # Subtract element-wise
 27     squaredDiff = diff ** 2  # squared for the subtract
 28     squaredDist = sum(squaredDiff, axis = 1)   # sum is performed by row
 29     distance = squaredDist ** 0.5
 30 
 31     # # step 2: 对距离排序
 32     # argsort()返回排序后的索引
 33     sortedDistIndices = argsort(distance)
 34 
 35     classCount = {}  # 定义一个空的字典
 36     for i in xrange(k):
 37         # # step 3: 选择k个最小距离
 38         voteLabel = labels[sortedDistIndices[i]]
 39 
 40         # # step 4: 计算类别的出现次数
 41         # when the key voteLabel is not in dictionary classCount, get()
 42         # will return 0
 43         classCount[voteLabel] = classCount.get(voteLabel, 0) + 1
 44 
 45     # # step 5: 返回出现次数最多的类别作为分类结果
 46     maxCount = 0
 47     for key, value in classCount.items():
 48         if value > maxCount:
 49             maxCount = value
 50             maxIndex = key
 51 
 52     return maxIndex
 53 
 54 # 将图片转换为向量
 55 def  img2vector(filename):
 56     rows = 32
 57     cols = 32
 58     imgVector = zeros((1, rows * cols))
 59     fileIn = open(filename)
 60     for row in xrange(rows):
 61         lineStr = fileIn.readline()
 62         for col in xrange(cols):
 63             imgVector[0, row * 32 + col] = int(lineStr[col])
 64 
 65     return imgVector
 66 
 67 # 加载数据集
 68 def loadDataSet():
 69     # # step 1: 读取训练数据集
 70     print "---Getting training set..."
 71     dataSetDir = 'E:/KNNCase/digits/'
 72     trainingFileList = os.listdir(dataSetDir + 'trainingDigits')  # 加载测试数据
 73     numSamples = len(trainingFileList)
 74 
 75     train_x = zeros((numSamples, 1024))
 76     train_y = []
 77     for i in xrange(numSamples):
 78         filename = trainingFileList[i]
 79 
 80         # get train_x
 81         train_x[i, :] = img2vector(dataSetDir + 'trainingDigits/%s' % filename)
 82 
 83         # get label from file name such as "1_18.txt"
 84         label = int(filename.split('_')[0]) # return 1
 85         train_y.append(label)
 86 
 87     # # step 2:读取测试数据集
 88     print "---Getting testing set..."
 89     testingFileList = os.listdir(dataSetDir + 'testDigits') # load the testing set
 90     numSamples = len(testingFileList)
 91     test_x = zeros((numSamples, 1024))
 92     test_y = []
 93     for i in xrange(numSamples):
 94         filename = testingFileList[i]
 95 
 96         # get train_x
 97         test_x[i, :] = img2vector(dataSetDir + 'testDigits/%s' % filename)
 98 
 99         # get label from file name such as "1_18.txt"
100         label = int(filename.split('_')[0]) # return 1
101         test_y.append(label)
102 
103     return train_x, train_y, test_x, test_y
104 
105 # 手写识别主流程
106 def testHandWritingClass():
107     # # step 1: 加载数据
108     print "step 1: load data..."
109     train_x, train_y, test_x, test_y = loadDataSet()
110 
111     # # step 2: 模型训练.
112     print "step 2: training..."
113     pass
114 
115     # # step 3: 测试
116     print "step 3: testing..."
117     numTestSamples = test_x.shape[0]
118     matchCount = 0
119     for i in xrange(numTestSamples):
120         predict = kNNClassify(test_x[i], train_x, train_y, 3)
121         if predict == test_y[i]:
122             matchCount += 1
123     accuracy = float(matchCount) / numTestSamples
124 
125     # # step 4: 输出结果
126     print "step 4: show the result..."
127     print 'The classify accuracy is: %.2f%%' % (accuracy * 100)

KNNTest.py

#!/usr/bin/python
# coding=utf-8

import KNN
KNN.testHandWritingClass()

测试结果：