kNN算法python实现和简单数字识别

kNN算法

算法优缺点：

• 优点：精度高、对异常值不敏感、无输入数据假定
• 缺点：时间复杂度和空间复杂度都很高
• 适用数据范围:数值型和标称型

---

算法的思路：

KNN算法（全称K最近邻算法），算法的思想很简单，简单的说就是物以类聚，也就是说我们从一堆已知的训练集中找出k个与目标最靠近的，然后看他们中最多的分类是哪个，就以这个为依据分类。

函数解析：

库函数

• tile()

  如tile(A,n)就是将A重复n次

a = np.array([0, 1, 2])
np.tile(a, 2)
array([0, 1, 2, 0, 1, 2])
np.tile(a, (2, 2))
array([[0, 1, 2, 0, 1, 2],[0, 1, 2, 0, 1, 2]])
np.tile(a, (2, 1, 2))
array([[[0, 1, 2, 0, 1, 2]],[[0, 1, 2, 0, 1, 2]]])
b = np.array([[1, 2], [3, 4]])
np.tile(b, 2)
array([[1, 2, 1, 2],[3, 4, 3, 4]])
np.tile(b, (2, 1))
array([[1, 2],[3, 4],[1, 2],[3, 4]])`

自己实现的函数

createDataSet()生成测试数组
kNNclassify(inputX, dataSet, labels, k)分类函数

• inputX 输入的参数
• dataSet 训练集
• labels 训练集的标号
• k 最近邻的数目

  1.  #coding=utf-8
      from numpy import *
      import operator
     
      def createDataSet():
          group = array([[1.0, 0.9], [1.0, 1.0], [0.1, 0.2], [0.0, 0.1]])
          labels = ['A','A','B','B']
          return group,labels
      #inputX表示输入向量（也就是我们要判断它属于哪一类的）
      #dataSet表示训练样本
      #label表示训练样本的标签
      #k是最近邻的参数，选最近k个
      def kNNclassify(inputX, dataSet, labels, k):
          dataSetSize = dataSet.shape[0]#计算有几个训练数据
          #开始计算欧几里得距离
          diffMat = tile(inputX, (dataSetSize,1)) - dataSet
     
          sqDiffMat = diffMat ** 2
          sqDistances = sqDiffMat.sum(axis=1)#矩阵每一行向量相加
          distances = sqDistances ** 0.5
          #欧几里得距离计算完毕
          sortedDistance = distances.argsort()
          classCount = {}
          for i in xrange(k):
              voteLabel = labels[sortedDistance[i]]
              classCount[voteLabel] = classCount.get(voteLabel,0) + 1
          res = max(classCount)
          return res
     
      def main():
          group,labels = createDataSet()
          t = kNNclassify([0,0],group,labels,3)
          print t
     
      if __name__=='__main__':
          main()
                  

     


kNN应用实例

手写识别系统的实现

数据集：

两个数据集：training和test。分类的标号在文件名中。像素32*32的。数据大概这个样子：

方法：

kNN的使用，不过这个距离算起来比较复杂（1024个特征），主要是要处理如何读取数据这个问题的，比较方面直接调用就可以了。

速度：

速度还是比较慢的，这里数据集是：training 2000+，test 900+（i5的CPU）

k=3的时候要32s+

1.  #coding=utf-8
    from numpy import *
    import operator
    import os
    import time
   
    def createDataSet():
        group = array([[1.0, 0.9], [1.0, 1.0], [0.1, 0.2], [0.0, 0.1]])
        labels = ['A','A','B','B']
        return group,labels
    #inputX表示输入向量（也就是我们要判断它属于哪一类的）
    #dataSet表示训练样本
    #label表示训练样本的标签
    #k是最近邻的参数，选最近k个
    def kNNclassify(inputX, dataSet, labels, k):
        dataSetSize = dataSet.shape[0]#计算有几个训练数据
        #开始计算欧几里得距离
        diffMat = tile(inputX, (dataSetSize,1)) - dataSet
        #diffMat = inputX.repeat(dataSetSize, aixs=1) - dataSet
        sqDiffMat = diffMat ** 2
        sqDistances = sqDiffMat.sum(axis=1)#矩阵每一行向量相加
        distances = sqDistances ** 0.5
        #欧几里得距离计算完毕
        sortedDistance = distances.argsort()
        classCount = {}
        for i in xrange(k):
            voteLabel = labels[sortedDistance[i]]
            classCount[voteLabel] = classCount.get(voteLabel,0) + 1
        res = max(classCount)
        return res
   
    def img2vec(filename):
        returnVec = zeros((1,1024))
        fr = open(filename)
        for i in range(32):
            lineStr = fr.readline()
            for j in range(32):
                returnVec[0,32*i+j] = int(lineStr[j])
        return returnVec
   
    def handwritingClassTest(trainingFloder,testFloder,K):
        hwLabels = []
        trainingFileList = os.listdir(trainingFloder)
        m = len(trainingFileList)
        trainingMat = zeros((m,1024))
        for i in range(m):
            fileName = trainingFileList[i]
            fileStr = fileName.split('.')[0]
            classNumStr = int(fileStr.split('_')[0])
            hwLabels.append(classNumStr)
            trainingMat[i,:] = img2vec(trainingFloder+'/'+fileName)
        testFileList = os.listdir(testFloder)
        errorCount = 0.0
        mTest = len(testFileList)
        for i in range(mTest):
            fileName = testFileList[i]
            fileStr = fileName.split('.')[0]
            classNumStr = int(fileStr.split('_')[0])
            vectorUnderTest = img2vec(testFloder+'/'+fileName)
            classifierResult = kNNclassify(vectorUnderTest, trainingMat, hwLabels, K)
            #print classifierResult,' ',classNumStr
            if classifierResult != classNumStr:
                errorCount +=1
        print 'tatal error ',errorCount
        print 'error rate',errorCount/mTest
   
    def main():
        t1 = time.clock()
        handwritingClassTest('trainingDigits','testDigits',3)
        t2 = time.clock()
        print 'execute ',t2-t1
    if __name__=='__main__':
        main()
                

   


机器学习笔记索引

来自为知笔记(Wiz)