基于KNN的手写数字识别实现代码

基于KNN (K-Nearest Neighbors) 的手写数字识别通常涉及以下步骤：

1. **数据预处理**：首先，需要获取手写数字数据集，如MNIST。数据集通常包含灰度图像和相应的标签。然后对数据进行标准化或归一化，以便所有像素值都在0到1之间。

from sklearn.datasets import load_digits
import numpy as np

# 加载数据
digits = load_digits()
images = digits.images.reshape((len(digits.images), -1)) / 16.
labels = digits.target

2. **分割数据**：将数据集划分为训练集和测试集，常用80%的数据用于训练，剩下的20%用于测试模型性能。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(images, labels, test_size=0.2)

3. **计算距离**：KNN算法的核心是找到最近邻。这里可以使用欧氏距离或其他相似度度量。

4. **构建KNN模型**：使用`sklearn.neighbors.KNeighborsClassifier` 类，并设置`n_neighbors` 参数表示邻居的数量。

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)

5. **预测及评估**：利用模型对测试集进行预测，然后使用准确率等指标评估模型性能。

y_pred = knn.predict(X_test)
accuracy = knn.score(X_test, y_test)
print("Accuracy:", accuracy)