第三篇：基于K-近邻分类算法的手写识别系统

前言

       本文将继续讲解K-近邻算法的项目实例 - 手写识别系统。

       该系统在获取用户的手写输入后，判断用户写的是什么。

       为了突出核心，简化细节，本示例系统中的输入为32x32矩阵，分类结果也均为数字。但对于汉字或者别的分类情形原理都是一样的。

       有了前面学习的基础，下面直接进入项目开发步骤。

第一步：收集并准备数据

       在用户主目录的trainingDigits子目录中，存放的是2000个样本数据。

       每个样本一个文件，其中一部分如下所示：

      

       文件命名格式为：

              分类标签_标签内序号

       如 0_20.txt 就表示该样本是分类标签为0的第20个特征集。20就是个序号以区分标签内不同文件而已，没其他意义。

       样本数据都是32x32矩阵：

      

       对于这样的二维数据，如何判断样本和目标对象的距离呢？首先想到的是可以将二维降到一维。

       当然也可以考虑去找找二维的距离求解方法。

       下面给出降维函数：

# ==============================================
# 输入：
#        训练集文件名(含路径)
# 输出：
#        降维后的样本数据(这里一个文件一份样本数据)
# ==============================================
def img2vector(filename):
    '将32x32的矩阵转换为1024一维向量'
    
    # 初始化返回向量
    returnVect = numpy.zeros((1,1024))
    
    # 打开样本数据文件
    fr = open(filename)
    
    # 降维处理
    for i in range(32):
        lineStr = fr.readline()
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])
            
    return returnVect

第二步：测试算法

       K临近的分类函数代码在之前的文章K-近邻分类算法原理分析与代码实现中给出了，这里直接调用：

# =================================================
# 输入：
#        空
# 输出：
#        对指定的测试集文件，指定的训练集数据进行K近邻分类
#        并打印结果信息
# =================================================
def handwritingClassTest():
    '手写数字识别系统测试代码'
    
    # 分类列表
    hwLabels = []
    
    # 获取所有训练集文件名
    trainingFileList = os.listdir('/home/fangmeng/trainingDigits')
    
    # 定义训练集结构体
    m = len(trainingFileList)
    trainingMat = numpy.zeros((m, 1024))
    
    for i in range(m):
        # 当前训练集文件名
        filenameStr = trainingFileList[i]
        # 文件名(filenameStr去掉.txt后缀)
        fileStr = filenameStr.split('.')[0]
        # 分类标签
        classNumStr = int(fileStr.split('_')[0])
        # 将分类标签加入分类列表
        hwLabels.append(classNumStr)
        # 将当前训练集文件降维后加入到训练集结构体
        trainingMat[i] = img2vector('/home/fangmeng/trainingDigits/%s' % filenameStr)
    
    # 获取所有测试集文件名
    testFileList = os.listdir('/home/fangmeng/testDigits')
    # 错误分类记数
    errorCount = 0
    # 测试集文件个数
    mTest = len(testFileList)
    
    print "错误的分类结果如下:"
    for i in range(mTest):
        # 当前测试集文件名
        fileNameStr = testFileList[i]
        # 文件名(filenameStr去掉.txt后缀)
        fileStr = fileNameStr.split('.')[0]
        # 分类标签
        classNumStr = int(fileStr.split('_')[0])
        # 将当前测试集文件降维
        vectorUnderTest = img2vector('/home/fangmeng/testDigits/%s' % fileNameStr)
        # 对当前测试文件进行分类
        classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
        
        if (classifierResult != classNumStr): 
            print "分类结果: %d, 实际结果: %d" % (classifierResult, classNumStr)
            errorCount += 1.0
            
    print "
总错误数: %d" % errorCount
    print "
总错误数: %f" % (errorCount/float(mTest))

       运行结果：

      

小结

1. K-邻近算法的本质是用来分类的，要从分类的思想去思考这个算法的运用。

2. 再强调一次K-邻近算法是没有训练过程的，这点和以后学习的其他分类方法，比如决策树对比后就更清楚了。

3. K-邻近算法的效率很低，不论是从时间还是空间上看(单就这个简单项目都跑得很慢)。因此需要学习更多更优化的算法。

4. 有兴趣有时间可以考虑在hadoop/spark集群下实现这个项目或使用该算法的其他类似项目，定能大幅度提升性能。