可能對于有些人在以前看過這個(gè)例子，但是很不巧的是Python3和Python2的之間的一些差異，導(dǎo)致了照搬原來的那份是不能用了。
這里，我根據(jù)自己的情況和進(jìn)行了改寫

要數(shù)據(jù)集的話，可以給我私信，或者是在評論去留言。我看到就會回復(fù)
記得用的時(shí)候，改寫下那個(gè)文件名，看你自己是把數(shù)據(jù)放到哪了，就寫哪。

from numpy import * import os import operatordef classify0(inX, dataSet, labels, k):# k means how many you need to get your P(x)dataSetSize = dataSet.shape[0]DiffMat = tile(inX, (dataSetSize, 1)) - dataSetsqDiffMat = DiffMat**2sqDistances = sqDiffMat.sum(axis=1)distances = sqDistances**0.5 # 到這里求解了歐式距離(并構(gòu)成了一個(gè)array)sortedDistances = distances.argsort()classCount = {}for i in range(k):voteIlabel = labels[sortedDistances[i]]classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1# 選出了距離最小的k個(gè)點(diǎn)，并且做了一個(gè)簡單的統(tǒng)計(jì)sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) # 按照第一個(gè)(從0開始數(shù))進(jìn)行排序return sortedClassCount[0][0] # 返回的出現(xiàn)次數(shù)最多的那個(gè)標(biāo)簽# 將32*32圖片轉(zhuǎn)換成向量(實(shí)際生活中，往往都會有更大的尺寸) def img2vector(filename):returnVect = zeros((1, 1024)) # 將32 *32 的矩陣轉(zhuǎn)換成一個(gè) 1*1024的向量fr = open(filename)for i in range(32):lineStr = fr.readline()for j in range(32):returnVect[0, 32 * i + j] = int(lineStr[j])return returnVectdef handwritingClassTest():hwLabels = []trainingFileList = os.listdir('E:/Code/Python/test/KNN算法/digits/trainingDigits') # 得到文件列表m = len(trainingFileList) # 得到文件夾列表長度traingMat = zeros((m, 1024)) # 訓(xùn)練集合for i in range(m):fileNameStr = trainingFileList[i]fileStr = fileNameStr.split('.')[0] # 得到了文件名(去掉了后綴)classNumStr = int(fileStr.split('_')[0]) # 要注意到數(shù)據(jù)集格式 得到了分類數(shù)字hwLabels.append(classNumStr)traingMat[i, :] = img2vector('E:/Code/Python/test/KNN算法/digits/trainingDigits/%s' % fileNameStr)# 上面得到了數(shù)據(jù)集testFileList = os.listdir('E:/Code/Python/test/KNN算法/digits/testDigits')errorCount = 0.0 # 統(tǒng)計(jì)出錯(cuò)mTest = len(testFileList)for i in range(mTest):fileNameStr = testFileList[i]fileStr = fileNameStr.split('.')[0]classNumStr = int(fileStr.split('_')[0])vectorUnderTest = img2vector('E:/Code/Python/test/KNN算法/digits/testDigits/%s' % fileNameStr)classifyResult = classify0(vectorUnderTest, traingMat, hwLabels, 3)# print("the predicted number is %d, and the real number is %d" % (classifyResult, classNumStr))if classifyResult != classNumStr:errorCount += 1.0print("The error times is %d" % errorCount)print("The error rate is %.3f" % (errorCount / float(mTest)))if __name__ == "__main__":handwritingClassTest()

總結(jié)

以上是生活随笔為你收集整理的KNN算法--手写输入判断(Python3)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。