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

 #识别手写字体模块-图像转向量32x32 to 1x1024
 def img2vector(filename):
     returnVect = zeros((1,1024))
     fr = open(filename)
     for i in range(32):
         lineStr = fr.readline()
         for j in range(32):
             returnVect[0,32*i+j] = int(lineStr[j])
     return 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　　

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

 #手写识别的测试代码
 def handwritingClassTest():
     hwLabels = []
     trainingFileList = listdir(path='trainingDigits')  #获取目录内容
     m = len(trainingFileList)
     trainingMat = zeros((m,1024))
     for i in range(m):
         #一下三行，从文件名解析分类数字
         fileNameStr = trainingFileList[i]
         fileStr = fileNameStr.split('.')[0]
         classNumStr = int(fileStr.split('_')[0])

         hwLabels.append(classNumStr)
         trainingMat[i,:] = img2vector('trainingDigits/%s'%fileNameStr)
     testFileList = listdir(path='testDigits')

     errorCount = 0.0  #错误个数计数器
     mTest = len(testFileList)

     #从测试数据中提取数据
     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)

         print("the classifier came back with:%d,the real answer is:%d"%(classifierResult,classNumStr))
         if(classifierResult != classNumStr):
             errorCount += 1.0
  　 #输出结果
     print("\nthe total number of errors is:%d"%errorCount)
     print("\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