不积跬步，无以至千里
功能
利用k-邻近算法，实现识别数字0到9
开发环境
- Mac
- Python3.5（Anaconda）
- PIL
- numpy
数据集和项目源代码
Github：https://github.com/jiangkang/KMachineLearning.git
数据集
下面是32*32的黑白图像
32* 32像素数据集
为了方便处理，提供了文本文件
文本数据
数据集分为训练集和测试集，其中训练集是已经分类好的数据，测试集是用来测试算法。
将数据转换为特征向量
从上图可知，拿到的是32*32的的矩阵，每一个点是一个像素值，将这1024（32
✖️32）个数值，转换成（1，1024）的向量。
数据转换为特征向量
KNN分类器
参考这篇文章机器学习-从kNN开始
kNN分类器
输入测试集，测试算法
测试算法
看看选择不同的k值，分类效果如何
取不同的k值
这里看错误的个数，绘制一个折线图
注意：执行时间比较长，去喝杯咖啡吧
这里取1-4，当然你也可以取更高的k值（速度慢）
实验结果证明，取k=3，效果比较好。
txt转换为png图像
为了更具真实性，同样写了txt转换为png的代码。
txt转png
图像转txt文件
image.png
总结
数据集如果稍大一点，执行时间会变得非常长
超光速
网友评论