李航《统计学习方法》第三章——用Python实现KNN算法（MNIST数据集）

相关文章：

李航《统计学习方法》第二章——用Python实现感知器算法（MNIST数据集）

李航《统计学习方法》第四章——用Python实现朴素贝叶斯分类器（MNIST数据集）

李航《统计学习方法》第五章——用Python实现决策树（MNIST数据集）

李航《统计学习方法》第六章——用Python实现逻辑斯谛回归（MNIST数据集）

李航《统计学习方法》第六章——用Python实现最大熵模型（MNIST数据集）

李航《统计学习方法》第七章——用Python实现支持向量机模型（伪造数据集）

李航《统计学习方法》第八章——用Python+Cpp实现AdaBoost算法（MNIST数据集）

李航《统计学习方法》第十章——用Python实现隐马尔科夫模型

看了第三章 k近邻法 (k-nearest neighbor, k-NN) ， 发现KNN算法真的好适合在MNIST数据集上分类。

因为KNN实际上就是一个少数服从多数的投票模型，所以可以用在多分类的情况，而且算法也很简介，下面介绍一下KNN算法

k近邻算法

按照传统不详述该算法，具体内容可以看《统计学习方法》第三章。

这里只将书中算法贴出来



我的理解，KNN算法就是一种投票行为，这里举个例子：

有一堆选民，他们分别有黄种人、黑种人还有白种人（多分类）。

现在来了一个人，让大家投票将他归属到其中一种人种中。

选举方法是大家先根据待选人与自己的特征相似程度打分，再选择出分数最高的K个人，按照少数服从多数的原则决定待选人是什么人种。

这里假设K=3，打完分后选择出三个人，分别是两个黑种人，一个黄种人。

黄种人A说：“他头发是黑色的，所以他是黄种人”

黑种人B说：“他肤色是黑色的，所以他是黑种人”

黑种人C说：“他很高，所以他是黑种人”

这时根据少数服从多数的原则，待选人就被分类到黑种人。

这里可以看出，Knn是根据点与点之间的关系来进行判断，所以有些噪声（如黄种人A）可能会对结果有些影响。还有KNN并不需要训练，但需要遍历整个训练集，所以预测会比较慢。

书中提到过KD树来优化找最邻近点，但是并没有优化前K个最邻近点，因此我没打算实现该数据结构，书中关于KD树的描述已经比较清楚了，如果大家想看更多关于KNN加速的数据结构可以看看July_的博客

数据集介绍

数据集没什么可以说的，和感知器模型那个博文用的是同样的数据集。

但这次我们可以多分类，因此用原始训练数据即可

数据地址：https://github.com/WenDesi/lihang_book_algorithm/blob/master/data/train.csv

HOG特征提取

特征提取液没什么可以说的，和感知器模型那个博文用的是同样的HOG特征。

其实这里面无所谓什么特征，将整个图片作为特征也可以，因为knn算法真正浪费时间的是在循环着k最临近点那里，324维特征（图片HOG特征）和784维特征（图片28*28）差别不大。

代码

这里我选择k=10，即选择与当前点最邻近的10个点，从这10个点中投票选出当前点所属label。

这个K是我随便选的，也不想再重复测试选择最佳k值了（跑一次要将近半个小时啊啊！！！）

距离选择欧几里得距离

代码已放到Github上

#encoding=utf-8

import pandas as pd
import numpy as np
import cv2
import random
import time

from sklearn.cross_validation import train_test_split
from sklearn.metrics import accuracy_score

# 利用opencv获取图像hog特征
def get_hog_features(trainset):
features = []

hog = cv2.HOGDescriptor('../hog.xml')

for img in trainset:
img = np.reshape(img,(28,28))
cv_img = img.astype(np.uint8)

hog_feature = hog.compute(cv_img)
# hog_feature = np.transpose(hog_feature)
features.append(hog_feature)

features = np.array(features)
features = np.reshape(features,(-1,324))

return features

def Predict(testset,trainset,train_labels):
predict = []
count = 0

for test_vec in testset:
# 输出当前运行的测试用例坐标，用于测试
print count
count += 1

knn_list = []       # 当前k个最近邻居
max_index = -1      # 当前k个最近邻居中距离最远点的坐标
max_dist = 0        # 当前k个最近邻居中距离最远点的距离

# 先将前k个点放入k个最近邻居中，填充满knn_list
for i in range(k):
label = train_labels[i]
train_vec = trainset[i]

dist = np.linalg.norm(train_vec - test_vec)         # 计算两个点的欧氏距离

knn_list.append((dist,label))

# 剩下的点
for i in range(k,len(train_labels)):
label = train_labels[i]
train_vec = trainset[i]

dist = np.linalg.norm(train_vec - test_vec)         # 计算两个点的欧氏距离

# 寻找10个邻近点钟距离最远的点
if max_index < 0:
for j in range(k):
if max_dist < knn_list[j][0]:
max_index = j
max_dist = knn_list[max_index][0]

# 如果当前k个最近邻居中存在点距离比当前点距离远，则替换
if dist < max_dist:
knn_list[max_index] = (dist,label)
max_index = -1
max_dist = 0

# 统计选票
class_total = 10
class_count = [0 for i in range(class_total)]
for dist,label in knn_list:
class_count[label] += 1

# 找出最大选票
mmax = max(class_count)

# 找出最大选票标签
for i in range(class_total):
if mmax == class_count[i]:
predict.append(i)
break

return np.array(predict)

k = 10

if __name__ == '__main__':

print 'Start read data'

time_1 = time.time()

raw_data = pd.read_csv('../data/train.csv',header=0)
data = raw_data.values

imgs = data[0::,1::]
labels = data[::,0]

features = get_hog_features(imgs)

# 选取 2/3 数据作为训练集， 1/3 数据作为测试集
train_features, test_features, train_labels, test_labels = train_test_split(features, labels, test_size=0.33, random_state=23323)
# print train_features.shape
# print train_features.shape

time_2 = time.time()
print 'read data cost ',time_2 - time_1,' second','\n'

print 'Start training'
print 'knn do not need to train'
time_3 = time.time()
print 'training cost ',time_3 - time_2,' second','\n'

print 'Start predicting'
test_predict = Predict(test_features,train_features,train_labels)
time_4 = time.time()
print 'predicting cost ',time_4 - time_3,' second','\n'

score = accuracy_score(test_labels,test_predict)
print "The accruacy socre is ", score

运行结果如下所示