knn手写数字识别模型

### 构建KNN手写数字识别模型

#### 数据预处理
为了使数据适应KNN算法的要求，需调整其结构。具体而言，输入数据应转换成二维数组形式。对于图像数据，这通常意味着将多维像素矩阵展平为一维向量，并确保所有样本具有相同的长度。

import numpy as np

train_new = train.reshape(-1, 400).astype(np.float32)  # 将训练集重塑为适合KNN的形式[^2]

#### 训练模型
一旦准备好了合适格式的数据集，就可以创建并训练KNN分类器了。这里假设已经有一个名为`X_train`的特征矩阵以及对应的标签列表`y_train`：

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors=5)  # 创建一个带有默认参数的KNN实例
knn.fit(X_train, y_train)                  # 使用训练数据拟合模型

#### 测试与预测
完成上述步骤之后，可以加载测试图片并对新图像做出预测。下面是一个简单的函数用于展示这一过程：

import matplotlib.pyplot as plt
import joblib

def test_model(image_path='微信图片_20240425182805.png'):
    img = plt.imread(image_path)
    plt.imshow(img)

    knn_loaded = joblib.load('model/knn.pth')       # 加载预先训练好的模型[^3]

    prediction = knn_loaded.predict([img.flatten()]) # 对单张图片进行预测
    print(f'您绘制的数字是: {prediction}')
    
test_model()

#### 超参数调优
通过交叉验证网格搜索方法可进一步提升性能。此技术允许遍历多个候选配置选项，在不同子集上评估它们的表现从而找到最优设置。

from sklearn.model_selection import GridSearchCV

param_grid = {'n_neighbors': range(1, 11)}
grid_search = GridSearchCV(KNeighborsClassifier(), param_grid, cv=5)
grid_search.fit(X_train, y_train)

best_knn = grid_search.best_estimator_
print("Best parameters found:", grid_search.best_params_)