通过KNN算法对本地的手写数据集进行分类_Handwritten-Digits-Recognition-by-KNN.zip

# Handwritten-Digits-Recognition-by-KNN 通过KNN算法对本地的手写数据集进行分类 ## 各文件说明： - KNN_HandByHand.ipynb为手动实现的KNN算法 - KNN_sklearn.ipynb为通过sklearn模块实现的KNN算法 - kNN_hand_writing.tgz为对应的手写数据集压缩包 - requirements.txt为环境配置文件 ## 数据集说明 本项目所用的手写数字数据集分为训练集和测试集： - 训练集包含了1934个手写数字的样本，样本的内容是32*32的二值图像，保存在txt文件中。 - 测试集包含了946个手写数字的样本，样本的内容是32*32的二值图像，保存在txt文件中。 下面是一个手写数字0的样本示例： ``` 00000000000001111000000000000000 00000000000011111110000000000000 00000000001111111111000000000000 00000001111111111111100000000000 00000001111111011111100000000000 00000011111110000011110000000000 00000011111110000000111000000000 00000011111110000000111100000000 00000011111110000000011100000000 00000011111110000000011100000000 00000011111100000000011110000000 00000011111100000000001110000000 00000011111100000000001110000000 00000001111110000000000111000000 00000001111110000000000111000000 00000001111110000000000111000000 00000001111110000000000111000000 00000011111110000000001111000000 00000011110110000000001111000000 00000011110000000000011110000000 00000001111000000000001111000000 00000001111000000000011111000000 00000001111000000000111110000000 00000001111000000001111100000000 00000000111000000111111000000000 00000000111100011111110000000000 00000000111111111111110000000000 00000000011111111111110000000000 00000000011111111111100000000000 00000000001111111110000000000000 00000000000111110000000000000000 00000000000011000000000000000000 ``` ## 数据预处理的思路 因为本项目所用的KNN算法要求输入的数据是一个m行n列的矩阵，其中m行代表样本总数，每一行代表一个手写数字的数据；n列代表特征总数，这里面一个手写数字一共有32*32=1024个特征。 所以数据预处理的大致思路是：依次遍历所有手写数字的数据，读取出里面的内容，并转换成1行1024列的向量，最后把所有数据拼成一个m行1024列的矩阵。 ## 其他实现流程已经在python文件里面做了详细的注释，这里不再说明 <div align="center"> <img src="https://github.com/LUORANCHENG/Handwritten-Digits-Recognition-by-KNN/blob/main/%E6%8A%A5%E5%91%8A/webwxgetmsgimg.gif" width="400" > </div>