2.3测试算法：使用k近邻算法识别手写数字

#手写识别系统
#准备数据
#为了使用前面两个分类器，因为前面的例子都是只有一行的，我们必须将图像格式化处理为一个向量。我们将把一个32*32的
#二进制图像矩阵转换为1*1024的向量，这样前两节使用的分类器就可以处理数字图像信息了。
def img2vector(filename):
    returnVect = zeros((1,1024))
    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 returnVect
#手写数字识别系统
def handwritingClassTest():
    hwLabels = []
    #listdir():用于返回指定的文件夹包含的文件或文件夹名字的列表
    trainingFilelist = listdir('digits/trainingDigits')
    m = len(trainingFilelist)
    #创建一个m行1024列的训练矩阵，该矩阵的每行数据储存一个图像
    trainingMat = zeros((m,1024))
    for i in range(m):
        fileNameStr = trainingFilelist[i]
        fileStr = fileNameStr.split('.')[0]# 比如'digits/testDigits/0_13.txt'，被拆分为0,13,txt
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)#将类代码储存在hwLabels向量中
        trainingMat[i,:] = img2vector('digits/trainingDigits/%s' % fileNameStr)
  
    testFileList = listdir('digits/testDigits')
    errorCount = 0.0
    mTest = len(testFileList)
    for i in range(mTest):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        #vectorUnderTest = img2vector('D:/pythonml/testDigits/%s' % (fileNameStr))
        vectorUnderTest = img2vector('digits/testDigits/%s' % fileNameStr)
        classifierResult = classify0(vectorUnderTest,trainingMat,hwLabels,3)
        print("the classifier came back with: %d, the  real answer is:%d" %(classifierResult,classNumStr))
        if (classifierResult != classNumStr):
            errorCount += 1.0
    print("\n the total number of errors is: %d" %errorCount)
    print("\n the total error rate is :%f" %(errorCount/float(mTest)))
if __name__ == "__main__":
    handwritingClassTest()

listdir():用于返回指定的文件夹包含的文件或文件夹名字的列表

运行效果如下：

手写数字识别系统我的理解：

分两步：1.将训练样本读取出来，转化成向量后，并读取他的数据点及其分类标签。

2.将测试数据读取出来，转化成向量后，调用KNN算法进行分类，并计算错误率，以之前的第一部得出的数据和标签作为训练样本和标签。