基于机器学习knn算法的手写拼音识别 |
您所在的位置：网站首页 › 时尚钻石烟多少钱一包 › 基于机器学习knn算法的手写拼音识别 |
基于机器学习knn算法的手写拼音识别
|
简单介绍一下knn算法
KNN算法，也叫K最近邻算法。功能是分类。算法逻辑非常简单，说直白点就是：先找到跟你最近的k个邻居(假设k=5)，再看你的邻居给哪个类别投票(即邻居的标签)，少数服从多数，得票最多的结果就是你的类别。
在这个算法中最关键的三点： k值 ：选择距离最近的k个邻居。 距离计算：计算距离的方法有欧式距离和曼哈顿距离，本文采用欧式距离，即先求差值的平方和，再开根号。 分类标签：本文的分类标签即a,b,c,d等字母 2.Python实现KNN ''' k:k值 testdata:测试数据集 traindata:训练数据集 labels:分类标签 ''' def knn(k, testdata, traindata, labels): '''定义算法''' traindatasize = traindata.shape[0] #计算训练集的长度 dif = tile(testdata,(traindatasize,1)) - traindata #将测试集扩展至训练集的长度，再求差值 sqrdif = dif**2 #求差值的平方 sumsqrdif = sqrdif.sum(axis=1) #求平方和 distance = sumsqrdif**0.5 #再开根号，即所有的距离 sorted_distance = distance.argsort() #对距离进行排序，返回排序后的索引 count = {} #准备一个空字典，存放投票结果 for i in range(0,k): vote = labels[sorted_distance[i]] #提取索引多对应的标签值作为字典的key count[vote] = count.get(vote,0)+1 #票数作为字典的value sorted_count = sorted(count.items(),key=lambda x:x[1],reverse=True) #对最后的投票结果进行排序 return sorted_count[0][0] #返回得票最多的标签 二、准备数据我陈悦用最笨的方法，花了一些时间，手写了一批png格式的数字图片： 
ps:此处感谢陈悦同学的辛苦付出. 图片的尺寸都是统一的：32*32像素 图片的命名也是统一的：数字标签+"_"+第n张图+“.png" 2、将图片转换成数组矩阵训练数据集与测试数据集都是标准化后的数组矩阵，而我们的试验对象是手写体数字图片，首先需要将图片进行一下数据化处理。 def img2Model(originDataPath, modelpath): list = os.listdir(originDataPath) for child in list: s_list = os.listdir(originDataPath + child) for i in s_list: filepath=originDataPath + child + '/' + i # print(filepath) img = cv2.imdecode(np.fromfile(filepath, dtype=np.uint8),0) img = cv2.resize(img, (32, 32)) img = np.asarray(img) img[img > 127] = 255 img[img |
【本文地址】