本来觉得自己从数据建模转人工智能方向应该问题不大（自我感觉自己算法学的不错）。结果一个K-邻近实现手写数字识别的代码就让我改了三四天。虽然网上这方面的代码是很多，但是我运行了好几个，结果都不是很理想。一次偶然的念想——为什么我不把这些代码的优点结合在一起呢，于是说做就做，年轻人嘛，反正有时间燥起来，动动手总有益处，于是就拙笔于此，有更好的建议与意见，欢迎指正；

–-----------------------------------------------------------------------------—---------------------------------------- 本篇所有的源码资源都已上传：https://download.csdn.net/download/zzz_cming/10377414 –-----------------------------------------------------------------------------—----------------------------------------

百度百科上的定义：K-近邻(k-Nearest Neighbor，KNN)是分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

–-----------------------------------------------------------------------------—---------------------------------------- –-----------------------------------------------------------------------------—----------------------------------------

实现过程直观点说：根据测试数据与每个训练集数据距离的大小来判断该测试数据分属哪个类别——我们有一堆已经注明好它是哪个数字的图片（这一堆图片组成训练集，也叫比较集、样本空间）。现在有一个测试数据“6”来了，我们要识别这个“6”的步骤就是：

（说明：左图是我用Windows自带的画图工具写的一个“6”，图片大小是28*28。右图是经过我切割、拉伸转化后的0-1矩阵图）

–-----------------------------------------------------------------------------—---------------------------------------- –-----------------------------------------------------------------------------—---------------------------------------- –-----------------------------------------------------------------------------—----------------------------------------

这是自己在网上看到的三个大神写的比较好的代码，前两个都能实现要求，后一个是预处理方法。我也只是站在大神的肩膀上做一点点修改，原理还是他们教的我，在此向他们表示致敬。

–-----------------------------------------------------------------------------—----------------------------------------

代码如下：