机器学习 KNN 算法之手写数字识别( 二 ) 1.算法简介手写数字识别是KN

代码运行部分截图如下
文章插图
当K = 3时，准确率达到了 98.94%，只有10个数字预测错误，对于这个模型而言，准确率是十分可观的，但运行效率却比较低，接近30秒的运行时间。因为每个测试数据都要与近2000个训练数据进行距离计算，而每次计算又包含1024个维度浮点运算，高次数多维度的计算是导致模型运行效率低的主要原因。
K值
下图是K值与模型准确率的关系变化图， K = 3时，模型准确率达到峰值，随着K增大，准确率越来越小，所以这份数据的噪声还是比较小的。
文章插图
手写数字测试
【机器学习 KNN 算法之手写数字识别】建模完成了，模型的准确率也不错，为何自己手写的数字测试一下呢？所以偶就手动写了几个数字
文章插图
正常拍出的图片是RGB彩色图片，并且像素也各不相同，所以需要对图片做两项处理：转化成黑白图片、将像素转化为32x32 ，这样才符合我们上文算法的要求；对于像素点，数值一般位于0-255 ， 255代表白、0代表黑，但因为手写数字像素点颜色并不规范，所以我们设置一个阈值( 170 )用以判断黑白之分。图片转文本代码如下：
def pic_txt():for i in range(0,10):img = Image.open('.\handwritten\%s.png'%i)#将图片像素更改为32X32img = img.resize((32,32))#将彩色图片变为黑白图片img = img.convert('L')#保存path = '.\handwritten\%s_new.jpg'%iimg.save(path)for i in range(0,10):fb = open('.\hand_written\%s_handwritten.txt'%i,'w')new_img = Image.open('.\handwritten\%s_new.jpg'%i)#读取图片的宽和高width,height = new_img.sizefor i in range(height):for j in range(width):# 获取像素点color = new_img.getpixel((j, i))#像素点较高的为图片中的白色if color>170:fb.write('0')else:fb.write('1')fb.write('\n')fb.close()整体代码运行截图如下：
文章插图
正确率为 70%，毕竟测试数据很小， 10个数字中4、7、8三个数字预测错误，还算可观；由于光线问题，有几个数字左下角会有一些黑影，也会对测试结果产生一定的影响，若避免类似情况，并且多增加一些测试数据，正确率定会得到提升的。