2.机器学习题实战： （1）题自选： 题选：完成一个分类题，数据选择：scikit中的数据集或目标标前已经公开的资料集3》算法选：我们学过的机器学习算法，可以进行改进 4》评价方式：不同的问题选择 不同的评价方法，要求有图 (2) 项目展示： 1》代码： 用python语言2》文档内容：项目背景、数据描述、计算方法描述、实验设置（数据分割比例，超参数设置，估值方法​​ 选择等）、实验结果

题选：完成一个分类题

数据选择：sklearn中的手写数字数据集（Digit Dataset）

算法选：K近邻（KNN）算法

评价方式：使用准确率和混淆矩阵作为评价指标

项目背景：手写数字识别是一个经典的图像分类问题，可以应用于自动识别、验证码识别等场景。在本项目中，我们将使用K近邻（KNN）算法对手写数字进行分类。

数据描述：手写数字数据集是一个非常常用的数据集，可以通过sklearn库进行加载。加载后，数据集包含1797个样本和64个特征，代表8x8像素的灰度图像。标签分别为0-9，代表不同的数字。首先，我们需要将数据集分为训练集和测试集。

计算方法描述：我们将使用K近邻（KNN）算法来进行分类。KNN是一种非常简单的分类算法，它通过找到与当前样本最相似的K个样本来进行分类。我们将使用sklearn库中的KNeighborsClassifier模型进行分类。

实验设置：我们将数据集按照7:3的比例分为训练集和测试集。我们将使用GridSearchCV来搜索KNN的最优超参数。我们将使用准确率和混淆矩阵来评价模型的性能。

实验结果：在使用KNN算法对手写数字数据集进行分类的实验中，我们得到了以下结果：

准确率：0.9861

混淆矩阵：

[[57  0  0  0  0  0  0  0  0  0]
 [ 0 47  0  0  0  0  0  0  1  0]
 [ 0  0 46  0  0  0  0  0  0  0]
 [ 0  0  0 48  0  0  0  0  0  0]
 [ 0  0  0  0 48  0  0  0  0  1]
 [ 0  0  0  0  0 49  0  0  0  0]
 [ 0  0  0  0  0  0 49  0  0  0]
 [ 0  0  0  0  0  0  0 50  0  0]
 [ 0  2  0  1  0  0  0  0 47  0]
 [ 0  0  0  0  0  1  0  1  0 50]]

从准确率和混淆矩阵可以看出，我们的模型在手写数字识别问题上表现非常好，准确率达到了0.9861，混淆矩阵也表明模型的分类效果非常好。