在实现了K近邻算法后，书中给出了一个实例，今天来学习一下使用K近邻分类器的手写识别系统。书中原带的文件已经过处理转换为了文本格式，方便了许多。
先看一下原带文件
准备数据
#将图像转换为测试向量def img2vector(filename):returnVector = zeros((1,1024))#创建1*1024的数组，这样刚好能装下32*32的所有数据fr = open(filename)for i in range (32):lineStr = fr.readline()#readline()将读取一行数据并返回，而readlines()函数将读取每一行数据，返回一个数组for j in range (32):returnVector[0,i*32+j] = lineStr[j]#这个循环很简单，将32*32的数据存储到1*1024数组中return returnVector
程序清单2-6
#程序清单2-6手写数字识别系统的测试代码def handwritingClassTest():hwLabels = []trainingFileList = listdir('F:\\机器学习\\MLiA_SourceCode\\machinelearninginaction\\Ch02\digits\\trainingDigits')#listdir()函数返回指定文件夹中所有文件的名称，以数组形式返回m = len(trainingFileList)#得到文件个数，也即数据的个数trainingMat = zeros((m,1024))#创建m行，1024列的零矩阵for i in range(m):fileNameStr = trainingFileList[i]#读取第i个文件的名称fileStr = fileNameStr.split('.')[0]#split()函数将去除文件名中的'.'，并返回分割后的字符串列表，索引0将读取第一个元素，根据源文件的命名规则，返回值是0_0,0_89,1_25等形式的字符串classNumStr = int(fileStr.split('_')[0])#再次分割，并读取第一个元素，转化为整型，返回值是0,1,2,3...hwLabels.append(classNumStr)#将最终得到的数值作为标签存储到列表中trainingMat[i,:] = img2vector('F:\\机器学习\\MLiA_SourceCode\\machinelearninginaction\\Ch02\\digits\\trainingDigits\\%s' %fileNameStr)#将指定文件转换为测试向量存储到trainingMat的第i行中，接下来对测试数据进行与前几步相似的处理testFileList = listdir('F:\\机器学习\\MLiA_SourceCode\\machinelearninginaction\\Ch02\\digits\\testDigits')errorCount = 0.0mTest = len(testFileList)for i in range(mTest):fileNameStr = testFileList[i]fileStr = fileNameStr.split('.')[0]classNumStr = int(fileStr.split('_')[0])vectorUnderTest = img2vector('F:\\机器学习\\MLiA_SourceCode\\machinelearninginaction\\Ch02\\digits\\testDigits\\%s' %fileNameStr)#到此用同样的方法地测试数据进行了处理classifierResult = classify0(vectorUnderTest,trainingMat,hwLabels,3)#对测试数据进行分类print('the classifier came back with:%d, the real answer is: %d'%(classifierResult,classNumStr))if(classifierResult!=classNumStr):errorCount += 1#当测试数据结果错误时，errorCount+1print('\nthe total number of error is : %d' %errorCount )print('\nthe total error rate is: %f' %(errorCount/float(mTest)))
OK了，接下来看一下运行结果
数据很多，跑起来着实有点烦人
错误率1.37%，很优秀~
