欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

kNN算法python實(shí)現(xiàn)和簡(jiǎn)單數(shù)字識(shí)別的方法

 更新時(shí)間:2014年11月18日 15:05:58   投稿:shichen2014  
這篇文章主要介紹了kNN算法python實(shí)現(xiàn)和簡(jiǎn)單數(shù)字識(shí)別的方法,詳細(xì)講述了kNN算法的優(yōu)缺點(diǎn)及原理,并給出了應(yīng)用實(shí)例,需要的朋友可以參考下

本文實(shí)例講述了kNN算法python實(shí)現(xiàn)和簡(jiǎn)單數(shù)字識(shí)別的方法。分享給大家供大家參考。具體如下:

kNN算法算法優(yōu)缺點(diǎn):

優(yōu)點(diǎn):精度高、對(duì)異常值不敏感、無輸入數(shù)據(jù)假定
缺點(diǎn):時(shí)間復(fù)雜度和空間復(fù)雜度都很高
適用數(shù)據(jù)范圍:數(shù)值型和標(biāo)稱型

算法的思路:

KNN算法(全稱K最近鄰算法),算法的思想很簡(jiǎn)單,簡(jiǎn)單的說就是物以類聚,也就是說我們從一堆已知的訓(xùn)練集中找出k個(gè)與目標(biāo)最靠近的,然后看他們中最多的分類是哪個(gè),就以這個(gè)為依據(jù)分類。

函數(shù)解析:

庫(kù)函數(shù):

tile()
如tile(A,n)就是將A重復(fù)n次

復(fù)制代碼 代碼如下:
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]])`

自己實(shí)現(xiàn)的函數(shù)

createDataSet()生成測(cè)試數(shù)組
kNNclassify(inputX, dataSet, labels, k)分類函數(shù)

inputX 輸入的參數(shù)
dataSet 訓(xùn)練集
labels 訓(xùn)練集的標(biāo)號(hào)
k 最近鄰的數(shù)目

復(fù)制代碼 代碼如下:

#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表示輸入向量(也就是我們要判斷它屬于哪一類的)
#dataSet表示訓(xùn)練樣本
#label表示訓(xùn)練樣本的標(biāo)簽
#k是最近鄰的參數(shù),選最近k個(gè)
def kNNclassify(inputX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]#計(jì)算有幾個(gè)訓(xùn)練數(shù)據(jù)
    #開始計(jì)算歐幾里得距離
    diffMat = tile(inputX, (dataSetSize,1)) - dataSet
   
    sqDiffMat = diffMat ** 2
    sqDistances = sqDiffMat.sum(axis=1)#矩陣每一行向量相加
    distances = sqDistances ** 0.5
    #歐幾里得距離計(jì)算完畢
    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應(yīng)用實(shí)例

手寫識(shí)別系統(tǒng)的實(shí)現(xiàn)

數(shù)據(jù)集:

兩個(gè)數(shù)據(jù)集:training和test。分類的標(biāo)號(hào)在文件名中。像素32*32的。數(shù)據(jù)大概這個(gè)樣子:

方法:

kNN的使用,不過這個(gè)距離算起來比較復(fù)雜(1024個(gè)特征),主要是要處理如何讀取數(shù)據(jù)這個(gè)問題的,比較方面直接調(diào)用就可以了。

速度:

速度還是比較慢的,這里數(shù)據(jù)集是:training 2000+,test 900+(i5的CPU)

k=3的時(shí)候要32s+

復(fù)制代碼 代碼如下:

#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表示輸入向量(也就是我們要判斷它屬于哪一類的)
#dataSet表示訓(xùn)練樣本
#label表示訓(xùn)練樣本的標(biāo)簽
#k是最近鄰的參數(shù),選最近k個(gè)
def kNNclassify(inputX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]#計(jì)算有幾個(gè)訓(xùn)練數(shù)據(jù)
    #開始計(jì)算歐幾里得距離
    diffMat = tile(inputX, (dataSetSize,1)) - dataSet
    #diffMat = inputX.repeat(dataSetSize, aixs=1) - dataSet
    sqDiffMat = diffMat ** 2
    sqDistances = sqDiffMat.sum(axis=1)#矩陣每一行向量相加
    distances = sqDistances ** 0.5
    #歐幾里得距離計(jì)算完畢
    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()

希望本文所述對(duì)大家的Python程序設(shè)計(jì)有所幫助。

相關(guān)文章

  • django加載本地html的方法

    django加載本地html的方法

    今天小編就為大家分享一篇django加載本地html的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧
    2018-05-05
  • Python生成隨機(jī)數(shù)字和字符詳情

    Python生成隨機(jī)數(shù)字和字符詳情

    這篇文章主要介紹了Python生成隨機(jī)數(shù)字和字符詳情,random是python自帶庫(kù),使用前導(dǎo)入import?random即可,更多相關(guān)內(nèi)容需要的朋友可以參考一下
    2022-07-07
  • Linux中安裝Python的交互式解釋器IPython的教程

    Linux中安裝Python的交互式解釋器IPython的教程

    IPython是一種基于Python的Shell,由于有了Python編程語言的支撐,而比一般的Shell更加強(qiáng)大.下面就來看一下Linux中安裝Python的交互式解釋器IPython的教程
    2016-06-06
  • python 如何區(qū)分return和yield

    python 如何區(qū)分return和yield

    這篇文章主要介紹了python 如何區(qū)分return和yield,幫助大家更好的理解和使用python,感興趣的朋友可以了解下
    2020-09-09
  • Python實(shí)現(xiàn)雙向RNN與堆疊的雙向RNN的示例代碼

    Python實(shí)現(xiàn)雙向RNN與堆疊的雙向RNN的示例代碼

    這篇文章主要為大家詳細(xì)介紹了如何利用Python語言實(shí)現(xiàn)雙向RNN與堆疊的雙向RNN,文中詳細(xì)講解了雙向RNN與堆疊的雙向RNN的原理及實(shí)現(xiàn),需要的可以參考一下
    2022-07-07
  • Python?pywin32實(shí)現(xiàn)word與Excel的處理

    Python?pywin32實(shí)現(xiàn)word與Excel的處理

    這篇文章主要介紹了Python?pywin32實(shí)現(xiàn)word與Excel的處理,pywin32處理Word大多數(shù)用于格式轉(zhuǎn)換,因?yàn)橐话阕x寫操作都可以借助python-docx實(shí)現(xiàn),除非真的有特殊要求,但大部分企業(yè)對(duì)Wrod操作不會(huì)有太多復(fù)雜需求
    2022-08-08
  • Python裝飾器基礎(chǔ)概念與用法詳解

    Python裝飾器基礎(chǔ)概念與用法詳解

    這篇文章主要介紹了Python裝飾器基礎(chǔ)概念與用法,結(jié)合實(shí)例形式詳細(xì)分析了Python裝飾器的概念、功能、用法及相關(guān)操作注意事項(xiàng),需要的朋友可以參考下
    2018-12-12
  • Python BeautifulSoup中文亂碼問題的2種解決方法

    Python BeautifulSoup中文亂碼問題的2種解決方法

    這篇文章主要介紹了Python BeautifulSoup中文亂碼問題的2種解決方法,需要的朋友可以參考下
    2014-04-04
  • Python編寫漏洞驗(yàn)證腳本批量測(cè)試繁瑣漏洞

    Python編寫漏洞驗(yàn)證腳本批量測(cè)試繁瑣漏洞

    這篇文章主要為大家介紹了Python編寫漏洞驗(yàn)證腳本來批量測(cè)試繁瑣的漏洞實(shí)現(xiàn),有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步
    2022-02-02
  • python 與服務(wù)器的共享文件夾交互方法

    python 與服務(wù)器的共享文件夾交互方法

    今天小編就為大家分享一篇python 與服務(wù)器的共享文件夾交互方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧
    2018-12-12

最新評(píng)論