knn手写数字识别python

KNN（K-Nearest Neighbors）算法是一种常用的分类算法，它通过计算待分类样本与训练集中各个样本之间的距离，选取距离最近的K个样本进行投票，将待分类样本归为票数最多的类别。下面是使用Python实现KNN手写数字识别的示例代码：

import numpy as np
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 加载手写数字数据集
digits = load_digits()
X = digits.data
y = digits.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

这段代码使用了scikit-learn库中的KNeighborsClassifier类来实现KNN算法。首先，加载手写数字数据集，并将数据集划分为训练集和测试集。然后，创建KNN分类器对象，并使用训练集对其进行训练。接下来，使用训练好的模型对测试集进行预测，并计算准确率。