基于kNN的手写字体识别——《机器学习实战》笔记

看完一节《机器学习实战》，算是踏入ML的大门了吧！这里就详细讲一下一个demo:使用kNN算法实现手写字体的简单识别

kNN

先简单介绍一下kNN,就是所谓的K-近邻算法：

【作用原理】：存在一个样本数据集合、每个样本数据都存在标签。输入没有标签的新数据后，将新数据的每个特征与样本集数据的对应特征进行比较，然后算法提取样本集中最相似的分类标签。一般说来，我们只选择样本数据集中前k个最相似的数据，最后，选择这k个相似数据中出现次数最多的分类，作为新数据的分类。

通俗的说，举例说明：有一群明确国籍的人（样本集合，比如1000个）：中国人、韩国人、日本人、美国人、埃及人，现在有一个不知国籍的人，想要通过比较特征来猜测他的国籍（当然，特征具有可比较性和有效性），通过比较特征，得出特征与该人最相近的样本集中的9个人（k），其中，1个是韩国人、2个是日本人，6个是中国人，那么这个人是中国人的可能性就很大。

这就是kNN的基本思想。

手写体识别数据准备

kNN输入需要特征矩阵，一般是固定大小的二值图像，这里我们使用书上提供的数据集：这个数据集使用32X32文本文件存储数值图像。例如下图的'9'

这里每个文本文件存储一个手写体数据，并且文件名写成"number_num.txt"这样的形式，例如9_1.txt,方便后期提取标签

我们将样本数据放在trainingDigits文件夹中，测试样例存储在testDigits文件夹中

我们在处理时将每个手写体数据（32x32）转换成1X1024维的向量。

另外，kNN涉及到相似度计算。这里我们使用的是欧氏距离，由于手写体数据向量是规则的二值数据，因此不需要进行归一化。

手写体识别算法运行流程

（一）读取手写体txt文件，转化为1X1024向量

我们创建一个kNN.py，添加模块img2vector

1 #识别手写字体模块-图像转向量32x32 to 1x10242 def img2vector(filename):3returnVect = zeros((1,1024))4fr = open(filename)5for i in range(32):6 lineStr = fr.readline()7 for j in range(32):8 returnVect[0,32*i+j] = int(lineStr[j])9return returnVect

我们的样本数据和测试数据都需要用到该函数

（二）比较测试数据和样本数据集的距离，返回k近邻中最相似的标签

在kNN.py中添加classify0模块，附上代码注释

1 #--------------------------------------------- 2 #分类模块 3 #@params 4 # inX:输入向量、手写体识别的测试向量 5 # dataSet:训练集样本、手写体识别的训练集向量 6 # labels:训练集对应的标签向量 7 # k:最近邻居数目、本实验为3 8 #--------------------------------------------- 9 def classifiy0(inX, dataSet, labels, k):10dataSetSize = dataSet.shape[0]#手写体样本集容量11#(以下三行)距离计算12diffMat = tile(inX, (dataSetSize,1)) - dataSet13sqDiffMat = diffMat**2 14sqDistances = sqDiffMat.sum(axis=1)15distances = sqDistances**0.5 #欧氏距离开平方16sortedDistIndicies = distances.argsort() #距离排序的索引排序17classCount = {} 18#(以下两行)选择距离最小的k个点19for i in range(k):20 voteIlabel = labels[sortedDistIndicies[i]]21 classCount[voteIlabel] = classCount.get(voteIlabel,0) + 122sortedClassCount = sorted(classCount.items(),23#排序24key = operator.itemgetter(1), reverse = True)25return sortedClassCount[0][0]

注意，这里使用了numpy的接口，在kNN.py的开头要加上：from numpy import*

（三）比较标签与测试结果，计算正确率

同样，在kNN.py中添加handwritingClassTest模块，综合以上的两个模块，获得识别正确率

1 #手写识别的测试代码 2 def handwritingClassTest(): 3hwLabels = [] 4trainingFileList = listdir(path='trainingDigits') #获取目录内容 5m = len(trainingFileList) 6trainingMat = zeros((m,1024)) 7for i in range(m): 8 #一下三行，从文件名解析分类数字 9 fileNameStr = trainingFileList[i]10 fileStr = fileNameStr.split('.')[0]11 classNumStr = int(fileStr.split('_')[0])12 13 hwLabels.append(classNumStr)14 trainingMat[i,:] = img2vector('trainingDigits/%s'%fileNameStr)15testFileList = listdir(path='testDigits')1617errorCount = 0.0 #错误个数计数器18mTest = len(testFileList)19 20#从测试数据中提取数据21for i in range(mTest):22 fileNameStr = testFileList[i]23 fileStr = fileNameStr.split('.')[0]24 25 classNumStr = int(fileStr.split('_')[0])26 vectorUnderTest = img2vector('testDigits/%s'% fileNameStr)27 classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)28 29 print("the classifier came back with:%d,the real answer is:%d"%(classifierResult,classNumStr))30 if(classifierResult != classNumStr):31 errorCount += 1.032 #输出结果33print("\nthe total number of errors is:%d"%errorCount)34print("\nthe total error rate is: %f"%(errorCount/float(mTest)))

注意，这里使用到了os模块listdir,在kNN开头加入：from numpy import listdir

测试结果如下：

错误率为1.16%，可以看到，识别效果挺不错。

后记

通过实验我们可以看到，使用kNN要将训练样本一次性加载入内存、如果训练集的规模很大，势必对机器有很大的要求。另外，kNN不需要训练算法、对异常值不敏感、在后期使用的时候要慎重选择吧