K-近邻:手写字识别
来源:互联网 发布:跟矮个子女生啪啪知乎 编辑:程序博客网 时间:2024/05/01 23:22
思路:
手写字图像为32*32个数字组成的,每个图像就是一个txt文件。
运用os模块下的listdir()获取目录下的文件名称,如0_13.txt,0即为图像类别,遍历文件目录,获取图像类别保存到一个列表,再将所有图像保存到一个列表(图像由二维(32*32)转换为一维(1*1024))。
用相同方法获取另一个文件目录下的txt,组成一个列表作为测试集。此时k-近邻算法函数的4个参数就都有了,利用函数就可以算出此算法的错误率
代码:
import numpy as npfrom os import listdirimport operator#获取与原数据差值最小的k个数据所在的类别的个数,个数最多的作为它的特征def classify0(inX, dataSet, labels , k): #四个参数分别为用于分类的输入变量,输入的样本训练集,特征向量,k近邻的k值 dataSetSize = dataSet.shape[0] # 判断二维数组的行数,也就是标签/样本的个数 diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet #tile([0,0],(4,1))创建二维数组,[[0, 0],[0, 0],[0, 0],[0, 0]],减去原数组,获取差值 sqDiffMat = diffMat**2 #差值为矩阵,矩阵*矩阵,对应元素相乘 sqDistance = sqDiffMat.sum(axis=1)#将一个矩阵的每一行元素相加 distance = sqDistance**0.5 #[ 1.48660687 1.41421356 0. 0.1 ] sortedDistIndicies= sqDistance.argsort()#argsort()返回从小到大的索引值 [2 3 1 0] classCount = {} for i in range(k): voteIlabel = labels[sortedDistIndicies[i]] classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #classCount中如果有voteIlabel就+1,初始值为1(因为后边+1)。 sortedClassCount = sorted(classCount.items(),key = operator.itemgetter(1), reverse = True) #降序排列,key用来提取用于比较的值 return sortedClassCount[0][0]#文件是以32*32个数字来表示0-9的一个数字,通过这个方法来将32*32转化为1*1024,即一行就是一个图像def img2vector(filename): returnVect = np.zeros((1,1024)) # 初始化数组为1*1024(32*32) fr = open(filename) for i in range(32):#按行读取 lineStr = fr.readline() for j in range(32): returnVect[0, 32*i+j] = int(lineStr[j]) return returnVectdef handwritingClassTest(): hwLabels = [] trainingFileList = listdir('trainingDigits') #listdir()获取文件目录下的文件名称,存入到列表中 m = len(trainingFileList) trainingMat = np.zeros((m,1024))#初始化数据集 for i in range(m): fileNameStr = trainingFileList[i] #文件名如0_13.txt 先用'.'分割出文件名,再用'_'分割出'0',代表类别 fileStr = fileNameStr.split('.')[0] classNumStr = int(fileStr.split('_')[0]) hwLabels.append(classNumStr) #将类别存入列表 trainingMat[i, :] = img2vector('trainingDigits/%s'%fileNameStr) #调用img2vector()将 图像转换成一行数据(列表) testFileList = listdir('testDigits') #testDigits为测试集,trainingDigits为样本集 errorCount = 0.0 mTest = len(testFileList) for i in range(mTest): fileNameStr = testFileList[i] fileStr = fileNameStr.split('.')[0] classNumStr = int(fileStr.split('_')[0]) vectorUnderTest = img2vector('testDigits/%s' % fileNameStr) classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) #调用k近邻的算法函数 print("the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr)) if (classifierResult != classNumStr): errorCount += 1.0 print("the total number of errors is: %d" % errorCount) print("the total error rate is %f" % (errorCount/float(mTest)))handwritingClassTest()
数据文件链接:http://pan.baidu.com/s/1hrX2Hww 密码:juiu
阅读全文
0 0
- K-近邻:手写字识别
- 手写字识别C++
- Tensorflow | MNIST手写字识别
- MXNet | 手写字MNIST识别比赛
- MNIST手写字识别的TensorFlow实现
- 基于tensorflow的MNIST手写字识别
- tensorflow mnist数据集手写字识别
- k近邻 - 手写数字识别
- 我的第一个svm程序:手写字识别
- MXNet | LeNet-5(卷积神经网络)用于手写字识别
- TensorFlow学习笔记(一)MNIST手写字识别
- 神经网络代码识别手写字(python3.4.3版本)
- caffe学习例子(一) mnist手写字识别
- Tensorflow框架下识别手写字神经网络代码
- 使用k近邻算法实现手写体识别
- k-近邻法用于手写识别系统
- 手写识别系统(k-近邻算法)
- k-近邻算法 手写识别系统
- VS2017常用快快捷键
- hdu 1253 胜利大逃亡
- python: *args & **kwargs
- SAP用户增强总结-采购订单建立增加客户数据增强示例
- 最清晰最快速最大声之丹田发声
- K-近邻:手写字识别
- 通过AntDesign切入对MVVM的理解
- 微信打飞机 音乐版
- 【Python自学】08. 函数基础(上)
- 正则表达式
- 第二次练习作业2
- C++ 重写与重载
- 尝试mac下绑定 android sdk. mac 建文件 touch local.properties
- SaltStack源码剖析