k近邻 - 手写数字识别

# -*- coding: utf-8 -*-
import numpy as np
import operator
from os import listdir

# k近邻算法实现
def classify0(inX, dataSet, labels, k):
    # 得到数组的行数， 训练数据的大小
    dataSetSize = dataSet.shape[0]
    # 将inX这一个数据， 扩充成dataSetSize个大小一样的数据集
    # 减去dataSet， 得到一个差集的数据集
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
    # 平方， 数据集各个元素分别平方
    sqDiffMat = diffMat ** 2
    # 每行数据求和
    sqDistances = sqDiffMat.sum(axis=1)
    # 开方
    distances = sqDistances ** 0.5
    # 排序, sortedDistIndicies为得到的索引的序的列表
    sortedDistIndicies = distances.argsort()

    # 字典
    classCount = {}
    for i in range(k):
        # voteIlabel为得到的label
        voteIlabel = labels[sortedDistIndicies[i]]
        # 字典classCount中标签voteIlabel对应的值加一， 0代表初始值从0开始
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1

    # classCount.iteritems()： 迭代取出classCount的每个元素
    # key： 需要排序的列表项
    # reverse： 降序排序
    sortedClassCount = sorted(classCount.iteritems(),
                              key=operator.itemgetter(1), reverse=True)
    return sortedClassCount[0][0]

# img数据转向量（二维变一维）
def img2vector(filename):
    returnVect = np.zeros((1,1024))
    # 打开文件
    fr = open(filename)
    # 循环读取32行数据
    for i in range(32):
        lineStr = fr.readline()
        # 循环读取每行的32个数据
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])
    return returnVect

# 手写数字识别测试
def handwritingClassTest():
    # 手写数字的标签集
    hwLabels = []
    # 获取训练目录里面的文件列表
    trainingFileList = listdir('trainingDigits')
    # 训练目录里面的文件个数
    m = len(trainingFileList)
    # 创建m行1024列的内容为0的矩阵
    trainingMat = np.zeros((m,1024))
    # 循环取出每一个文件
    for i in range(m):
        # 获取每一个文件名
        fileNameStr = trainingFileList[i]
        # 截取从开始位置到“.”的字符串
        fileStr = fileNameStr.split('.')[0]
        # 截取从开始位置到“_”的字符串， 获得的是文件的标签值
        classNumStr = int(fileStr.split('_')[0])
        # 将标签值存到hwLabels中
        hwLabels.append(classNumStr)
        # 将文件的内容，存到训练集中
        trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)

    # 测试集
    testFileList = listdir('testDigits')
    errorCount = 0.0
    # 测试集文件数目
    mTest = len(testFileList)
    for i in range(mTest):
        # 取出文件名
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]
        # 测试数据的标签值
        classNumStr = int(fileStr.split('_')[0])
        # 测试数据的图片值
        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
        # 预测
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
        print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)
        # 累计错误数据
        if (classifierResult != classNumStr): errorCount += 1.0
    print "\nthe total number of errors is: %d" % errorCount
    print "\nthe total error rate is: %f" % (errorCount/float(mTest))
    print "\nthe total ture rate is: %f" % (1 - errorCount/float(mTest))
handwritingClassTest()

　运行结果：　

the total number of errors is: 11

the total error rate is: 0.011628

the total ture rate is: 0.988372