常州行业网站/搜索引擎关键词竞价排名

KNN算法

KNN（K-Nearest Neighbor，K最近邻）算法是一种用于分类和回归的非参数统计方法，尤其在分类问题中表现出色。在手写数字识别领域，KNN算法通过比较测试样本与训练样本之间的距离，找到最近的K个邻居，并根据这些邻居的类别来预测测试样本的类别。

接下来，让我们详细了解了解，knn怎么进行手写数字识别：

数字识别

对于数字识别我们进行三个方面来完成它：

1. 训练模型：得到模型
2. 测试模型：测试模型识别的准确率
3. 测试新的数据：查看实用效果

训练模型

1. 收集数据

2. 读取图片数据

使用opencv处理图片，将图片的像素数值读取进来，并返回的是一个三维（高，宽，颜色）numpy数组

 pip install opencv-python==3.4.11.45

import cv2
img = cv2.imread("digits.png")

3. 转化灰度图

将图片转化为灰度图，从而让三维数组变成二位的数组：

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

4. 处理图像

对图片进行处理：将其先垂直切分（横向）成50份，再将每一份水平切分（竖向）成100份,这样我们的每份图片的像素值都为20*20（训练的图片比较规范）共500个,比如：

cells = [np.hsplit(row,100) for row in np.vsplit(gray,50)] #列表生成式

5. 装进array数组

将切分的每一份图片像素数据都装进array数组中：

x = np.array(cells)

6. 分隔数据

将数据竖着分隔一半，一半作为训练集，一般作为测试集：

train = x[:,:50]
test = x[:,50:100]

7. 调整数据结构

由于我们最后要将数据放在KNN算法中训练，我们得将数据结构调整为适合KNN算法训练的结构，KNN要求输入的数据为二维数组，那么我们就来改变每份图片数组的维度：reshape：

train_new = train.reshape(-1,400).astype(np.float32)

8. 分配标签

我们训练着那么多的数据，却没有给他们具体的类别标签（图像的实际值），因为我们之前的图像处理都是在寻找图像特征，但是并没有给他们一个具体对应的类别，只有空荡荡的特征，无法分类，所以我们得给切分的每份图片打上它们对应的标签：

#repeat用于重复数组中数值，此处重复250次，因为训练集中表示每个类别的图片只有250个，要将它们一一对应打上标签
#np.newaxis用于在数组中创建一个新的维度，即将每个标签单独放
#原本[00000……1111……] ----> [[0][0]……[1][1]……]
k = np.arange(10)
train_mark = np.repeat(k,250)[:,np.newaxis]

9. 训练模型

在训练时，将训练集与标签一一对应训练：

#通过cv2创建一个knn模型
knn = cv2.ml.KNearest_create()
#cv2.ml.ROW_SAMPLE：告诉opencv将训练的数据与类别按行一一对应训练
knn.train(train_new,cv2.ml.ROW_SAMPLE,train_mark)

这样我们就训练好的这份简单的数据内容，训练了一个可以识别数字0~9的模型，模型训练完了，我们总得知道它到底能不能识别数字吧？识别数字成功的准确率能达到多少呢？

测试模型

1. 评估性能：测试模型帮助评估模型的准确性、效率、鲁棒性和其他性能指标。
2. 识别问题：通过测试，可以及早发现和定位模型或产品中的缺陷、错误或不足之处。
3. 优化和改进：测试模型提供的数据和反馈是优化和改进模型或产品的关键依据。基于测试结果，可以调整模型参数、改进算法设计、优化系统架构等，以提升模型或产品的性能和质量。

那么我们来测试我们刚刚训练出的模型：

前面说了，图片中的数据一半作为训练集，一半作为测试集，将测试集数据也进行以上操作：

test_new = test.reshape(-1,400).astype(np.float32) #调整数据结构
test_labels = np.repeat(k,250)[:,np.newaxis] #分配标签

处理好测试集的数据之后，我们来测试模型：

#将测试集放入模型测试
ret,result,neighbours,dist = knn.findNearest(test_new,k=3)#ret:表示操作是否成功#result：表示测试样本的预测标签（浮点数组）#neighbours：表示与测试样本最近的k个邻居的索引（整数数组）#dist：表示测试样本与每个最近邻居之间的距离（浮点数组）

#通过测试集校验准确率
matches = result==test_labels #将模型对测试集的预测结果（result）与实际的测试标签（test_labels）进行比较。
correct = np.count_nonzero(matches) #计算 matches 数组中 True（即正确预测）的数量
accuracy = correct*100.0/result.size #result.size 返回 result 数组中的元素总数
print("当前准确率为：",accuracy)

模型测试完成后，我们要尝试它在实际中的使用效果，查看其实用性。

测试新的数据

在画图软件中，画几个像素值20*20的图片，让其进入模型看看测试结果：比如：

这个测试数据已经进行了一部分的处理：

#处理图片
try_img = cv2.imread("4.png")  #读取图片
try_gray = cv2.cvtColor(try_img,cv2.COLOR_BGR2GRAY) #转为灰度图，二维
z = np.array(try_gray) #装入二维数组
try_new = z.reshape(-1,400).astype(np.float32) #调整结构，适用于KNN

#测试结果
ret,result,neighbours,dist = knn.findNearest(try_new,k=3)
print(result)  #查看测试结果，显示分类类别
------------------
[[4.]]  #测试结果正确

总结

本篇介绍了如何使用KNN算法进行手写数字识别：

1. 训练模型：收集数据 – 读取图片数据 – 转化灰度图 – 处理图像 – 装进array数组 – 调整数据结构 – 分配标签 – 训练模型

2. 测试模型：评估性能 – 识别问题 – 优化和改进

3. 测试数据：查看实用性