KNN算法在书写数字识别中的应用

### KNN算法在手写数字识别中的应用

#### 手写数字识别的数据准备
为了使用KNN算法对手写数字进行识别，首先要加载并预处理数据。具体来说，通过`pandas`库读取CSV文件来获取手写数字图像及其标签[^3]。

import pandas as pd

data = pd.read_csv('手写数字识别.csv')
x = data.iloc[:, 1:] / 255  # 图像像素值归一化到0-1之间
y = data.iloc[:, 0]        # 获取每张图对应的数字标签

#### 数据分割与模型训练
接着将整个数据集划分为训练集和测试集两部分，并采用分层抽样确保两类样本比例一致。之后创建一个K近邻分类器对象(`KNeighborsClassifier`)，设置邻居数量参数为3，并调用其fit()函数完成模型训练过程。

from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

split_data = train_test_split(x, y, test_size=0.2, stratify=y, random_state=0)
x_train, x_test, y_train, y_test = split_data 

estimator = KNeighborsClassifier(n_neighbors=3)
estimator.fit(x_train, y_train)

#### 模型性能评估
训练完成后可以计算该模型对于未知数据（即验证集中）预测结果的好坏程度——通常以准确率为衡量标准之一。这里直接打印出了最终得到的分数作为参考依据。

acc = estimator.score(x_test, y_test)
print('测试集准确率: %.2f' % acc)

#### 模型持久化存储
最后一步则是把已经训练好的模型保存下来以便后续重复利用而无需再次经历耗时较长的学习阶段。这可以通过Python内置模块joblib轻松达成目标。

import joblib

joblib.dump(estimator, './model/knn.pth')