KNN--用于手写数字识别(机器学习入门笔记)
2017-10-20 09:17
666 查看
最近在看机器学习实战这本书,写下博客作为笔记以帮助记忆。
主要内容
一、K-近邻算法概述
二、K-近邻算法–用于平面上的点的分类
三、K-近邻算法–用于手写数字的识别
四、归一化数值的重要性
概括的说,K-近邻算法采用测量不同特征值之间的距离的方法进行分类。
它的工作原理是:存在一个样本数据集合,也称训练样本集,并且样本集中每个数据存在标签,即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中的数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。一般来说,只选择样本数据集中前k个最相似的数据,这就是K-近邻算法中K的出处,通常K是不大于20的整数。最后,选择最相似数据中出现次数最多的分类,作为新数据的分类。
说白了,就是将新数据和训练集中每个数据进行比较,找到距离新数据最近的K个数据,对这K个数据的标签进行统计,支持数最高的标签即可认为是新数据的标签。比如K=10,其中有9的标签是A类,1个的标签是B类,那么这个新数据的标签被认为是A。
1.分析数据:
使用matplotlib创建散点图,目的是为了更好的观察数据。
我们使用这些数据
[[1.0,1.1],[1.0,1.0],[0.0,0.0],[0.0,0.1]]
标签分别为
[‘A’,’A’,’B’,’B’]
2
3
4
5
6
7
8
9
10
11
12
13
14
15
得到下图
2.实施KNN算法
(1)伪代码如下:
对未知类别属性的数据集中每个点依次执行一下操作:
①计算已知类别数据集中的点与当前点之间的距离
②按照距离递增次序排序
③选取与当前点距离最小的K个点
④确定前K个点所在类别出现的频率
⑤返回前K个点出现频率最高的类别作为当前点的预测分类
(2)
欧式距离公式,计算两个向量点xA和xB之间的距离
(3)代码
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
3.测试分类器
新数据(1.0, 1.2)
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
得到的结果如下图
1.准备数据
①目录trainingdigits中包含大约2000个例子,所以数字0-9,每个数字大约有200个样本;目录testdigits中包含大约900个测试数据;我们使用目录trainingdigits中的数据训练分类器,使用目录testdigits中的数据测试分类器的效果。
②将32*32的二进制图像矩阵转换为1*1024的向量
2
3
4
5
6
7
8
9
2.测试算法
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
3.结果如下:
4.改变K的值,修改函数随机选取训练样本,改变训练样本的数目,都会对K-邻近算法的错误率产生影响
1.为什么要归一化数值?
如图:
要计算样本3和4之间的距离,可以使用下面的方法
(0−67)2+(20000−32000)2+(1.1−0.1)2−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√
上面方程中数字差值最大的属性对计算结果的影响最大,仅仅是因为飞行常客里程数远大于其他特征值。然而我们认为这三种特征同样重要,因此作为三个等权重的特征。
2.下面的公式可以将任意取值范围的特征值转化为0到1区间内的值:
newValue = (oldValue-min)/(max-min)
3.代码
主要内容
一、K-近邻算法概述
二、K-近邻算法–用于平面上的点的分类
三、K-近邻算法–用于手写数字的识别
四、归一化数值的重要性
一、K-近邻算法概述
概括的说,K-近邻算法采用测量不同特征值之间的距离的方法进行分类。 它的工作原理是:存在一个样本数据集合,也称训练样本集,并且样本集中每个数据存在标签,即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中的数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。一般来说,只选择样本数据集中前k个最相似的数据,这就是K-近邻算法中K的出处,通常K是不大于20的整数。最后,选择最相似数据中出现次数最多的分类,作为新数据的分类。
说白了,就是将新数据和训练集中每个数据进行比较,找到距离新数据最近的K个数据,对这K个数据的标签进行统计,支持数最高的标签即可认为是新数据的标签。比如K=10,其中有9的标签是A类,1个的标签是B类,那么这个新数据的标签被认为是A。
二、K-近邻算法–用于平面上的点的分类
1.分析数据: 使用matplotlib创建散点图,目的是为了更好的观察数据。
我们使用这些数据
[[1.0,1.1],[1.0,1.0],[0.0,0.0],[0.0,0.1]]
标签分别为
[‘A’,’A’,’B’,’B’]
#从pathon创建数据 def createDataset(): group = array([[1.0,1.1],[1.0,1.0],[0.0,0.0],[0.0,0.1]]) labels = ['A','A','B','B'] return group,labels def draw(xs,ys): fig = plt.figure() # 将画布分割成1行1列,图像画在从左到右从上到下的第1块 ax = fig.add_subplot(111) #ax.scatter(xs, ys)的两个参数分别是所有点的x坐标,所有点的y坐标 ax.scatter(xs, ys) plt.show() if __name__ == "__main__": group,label = createDataset() draw(group[:,0],group[:,1])1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
得到下图
2.实施KNN算法
(1)伪代码如下:
对未知类别属性的数据集中每个点依次执行一下操作:
①计算已知类别数据集中的点与当前点之间的距离
②按照距离递增次序排序
③选取与当前点距离最小的K个点
④确定前K个点所在类别出现的频率
⑤返回前K个点出现频率最高的类别作为当前点的预测分类
(2)
欧式距离公式,计算两个向量点xA和xB之间的距离
(3)代码
def classify(inX,dataset,labels,k): datasetSize = dataset.shape[0] ###以下距离计算公式 diffMat = tile(inX,(datasetSize,1))-dataset#tile函数的作用是复制,如tile sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances ** 0.5 ###以上是距离计算公式 #距离从大到小排序,返回距离的序号 sortedDistIndicies = distances.argsort() #字典的声明 classCount = {} #前K个距离最小的 for i in range(k): #sortedDistIndicies[0]返回的是距离最小的数据样本的序号 #labels[sortedDistIndicies[0]]距离最小的数据样本的标签 voteIlabel = labels[sortedDistIndicies[i]] #以标签为key,支持该标签+1 classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #给该字典排序,sortedClassCount[0][0]是K中支持的标签数最大的 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0]1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
3.测试分类器
新数据(1.0, 1.2)
from numpy import * import operator from os import listdir import matplotlib.pyplot as plt def classify(inX,dataset,labels,k): datasetSize = dataset.shape[0] ###以下距离计算公式 #tile函数的作用是复制,如tile diffMat = tile(inX,(datasetSize,1))-dataset sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances ** 0.5 ###以上是距离计算公式 #距离从大到小排序,返回距离的序号 sortedDistIndicies = distances.argsort() #字典的声明 classCount = {} #前K个距离最小的 for i in range(k): #sortedDistIndicies[0]返回的是距离最小的数据样本的序号 #labels[sortedDistIndicies[0]]距离最小的数据样本的标签 voteIlabel = labels[sortedDistIndicies[i]] #以标签为key,支持该标签+1 classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #给该字典排序,sortedClassCount[0][0]是K中支持的标签数最大的 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0] #从pathon创建数据 def createDataset(): group = array([[1.0,1.1],[1.0,1.0],[0.0,0.0],[0.0,0.1]]) labels = ['A','A','B','B'] return group,labels def firstTest(): test1 = (1.0, 1.2) test2 = (0.0, 0.4) dataset, labels = createDataset() conclusion1 = classify(test1, dataset, labels, 3) conclusion2 = classify(test2, dataset, labels, 3) print(str(test1) + "分类后的结果是属于" + conclusion1 + "类") print(str(test2) + "分类后的结果是属于" + conclusion2 + "类") if __name__ == "__main__": firstTest()1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
得到的结果如下图
三、K-近邻算法–用于手写数字的识别
1.准备数据 ①目录trainingdigits中包含大约2000个例子,所以数字0-9,每个数字大约有200个样本;目录testdigits中包含大约900个测试数据;我们使用目录trainingdigits中的数据训练分类器,使用目录testdigits中的数据测试分类器的效果。
②将32*32的二进制图像矩阵转换为1*1024的向量
#将32*32的矩阵读为1*1024 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 returnVect1
2
3
4
5
6
7
8
9
2.测试算法
# -*- coding:utf-8 -*-1
from numpy import *
import operator
from os import listdir
import matplotlib.pyplot as plt
def classify(inX,dataset,labels,k): datasetSize = dataset.shape[0] ###以下距离计算公式 diffMat = tile(inX,(datasetSize,1))-dataset#tile函数的作用是复制,如tile sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances ** 0.5 ###以上是距离计算公式 #距离从大到小排序,返回距离的序号 sortedDistIndicies = distances.argsort() #字典的声明 classCount = {} #前K个距离最小的 for i in range(k): #sortedDistIndicies[0]返回的是距离最小的数据样本的序号 #labels[sortedDistIndicies[0]]距离最小的数据样本的标签 voteIlabel = labels[sortedDistIndicies[i]] #以标签为key,支持该标签+1 classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 #给该字典排序,sortedClassCount[0][0]是K中支持的标签数最大的 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0]
#将32*32的矩阵读为1*1024 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
def handwritingClassTest():
hwLabels = []
trainingFileList = listdir('digits/trainingDigits')
m = len(trainingFileList)
trainingMat = zeros((m,1024))
#文件名下划线_左边的数字是标签
for i in range(m):
fileNameStr = trainingFileList[i]
fileStr = fileNameStr.split(".")[0]
classNumStr = int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
trainingMat[i,:] = img2vector('digits/trainingDigits/%s' % fileNameStr)
testFileList = listdir('digits/testDigits')
errorCount = 0.0
mTest = len(testFileList)
for i in range(mTest):
fileNameStr = testFileList[i]
fileStr = fileNameStr.split('.')[0] # take off .txt
classNumStr = int(fileStr.split('_')[0])
vectorUnderTest = img2vector('digits/testDigits/%s' % fileNameStr)
classifierResult = classify(vectorUnderTest, trainingMat, hwLabels, 3)
print("the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr))
if (classifierResult != classNumStr): errorCount += 1.0
print("\nthe total number of errors is: %d" % errorCount)
print("\nthe total error rate is: %f" % (errorCount / float(mTest)))
if __name__ == "__main__":
handwritingClassTest()
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
3.结果如下:
4.改变K的值,修改函数随机选取训练样本,改变训练样本的数目,都会对K-邻近算法的错误率产生影响
四、归一化数值的重要性
1.为什么要归一化数值? 如图:
要计算样本3和4之间的距离,可以使用下面的方法
(0−67)2+(20000−32000)2+(1.1−0.1)2−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√
上面方程中数字差值最大的属性对计算结果的影响最大,仅仅是因为飞行常客里程数远大于其他特征值。然而我们认为这三种特征同样重要,因此作为三个等权重的特征。
2.下面的公式可以将任意取值范围的特征值转化为0到1区间内的值:
newValue = (oldValue-min)/(max-min)
3.代码
def autoNorm(dataSet): minVals = dataSet.min(0) maxVals = dataSet.max(0) ranges = maxVals - minVals normDataSet = zeros(shape(dataSet)) m = dataSet.shape[0] normDataSet = dataSet - tile(minVals, (m,1)) normDataSet = normDataSet/tile(ranges, (m,1)) #element wise divide return normDataSet, ranges, minVals
相关文章推荐
- KNN--用于手写数字识别(机器学习入门笔记)
- 机器学习笔记2-基于KNN算法的手写字识别程序
- torch入门笔记4:用torch实现MNIST手写数字识别
- kNN算法识别手写数字(代码笔记)
- 机器学习(3)——KNN算法及手写数字的识别(一)
- 机器学习实战之程序清单1-kNN(手写数字识别系统)
- TensorFlow学习笔记【二】 手写数字识别入门
- [机器学习案例1]基于KNN手写数字识别
- 机器学习--knn手写数字识别系统
- 机器学习-kNN实现简单的手写数字识别系统
- 【机器学习】Knn算法实现手写数字识别
- 机器学习(10.2)--手写数字识别的不同算法比较(2)--KNN算法
- [机器学习案例1]基于KNN手写数字识别
- 机器学习笔记:tensorflow实现卷积神经网络经典案例--识别手写数字
- 基于机器学习多种方法的kaggle竞赛入门之手写数字的图像识别预测
- 机器学习-KNN算法应用-手写数字识别( hand-written digits)
- KNN--用于手写数字识别
- 机器学习-tensorflow入门教程二——识别手写数字
- python3与机器学习实践---2、KNN实现手写数字识别
- 机器学习-实战-入门-MNIST手写数字识别