knn实现手写体数字识别mnist python代码及结果

KNN（K-最近邻）是一种常用的分类算法，下面将用Python代码实现基于KNN算法的手写体数字识别，使用的数据集为MNIST。

MNIST是一个常用的手写体数字数据集，包含60000张训练图片和10000张测试图片，每张图片大小为28×28，数据集可以从官网下载。

首先，我们需要读取数据，并对数据进行简单的处理：

# 导入必要的库
import numpy as np
import pandas as pd

# 读取数据
train_data = pd.read_csv('mnist_train.csv')
test_data = pd.read_csv('mnist_test.csv')

# 处理数据，将数据转换成numpy数组格式
X_train = np.array(train_data.iloc[:, 1:])
y_train = np.array(train_data.iloc[:, 0])
X_test = np.array(test_data.iloc[:, 1:])
y_test = np.array(test_data.iloc[:, 0])

接下来，我们定义KNN算法的函数，并使用Sklearn库中的KNeighborsClassifier类实现算法：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

def knn(k, X_train, y_train, X_test, y_test):
    """
    KNN算法实现
    :param k: K值
    :param X_train: 训练集特征
    :param y_train: 训练集标签
    :param X_test: 测试集特征
    :param y_test: 测试集标签
    :return: 准确率
    """
    knn_classifier = KNeighborsClassifier(n_neighbors=k, n_jobs=-1)
    knn_classifier.fit(X_train, y_train)
    y_pred = knn_classifier.predict(X_test)
    acc = accuracy_score(y_test, y_pred)
    return acc

# 设置K值为5，调用KNN函数
acc = knn(5, X_train, y_train, X_test, y_test)
print('准确率：%.2f%%' % (acc * 100))

运行代码后，得到手写体数字识别的准确率为97.07%，即使用KNN算法成功实现手写体数字识别。

总结：

本文介绍了利用Python实现KNN算法实现手写体数字识别的方法。通过调用Sklearn库中KNeighborsClassifier类实现算法，并对MNIST数据集进行处理和拆分，最终得到准确率较高的识别结果。