Initial commit

2024-10-16 16:54:35 +08:00
commit 62208380f5
5 changed files with 243 additions and 0 deletions
@@ -0,0 +1,131 @@
+# function.py
+import numpy as np
+import os
+
+"""
+实验说明:
+- 自行编写实现数据加载与 kNN 的手写数字分类算法。
+- 函数输入: 待分类的样本 input_vector, 训练数据集 dataSet, 训练集对应的标签 labels。
+- 函数返回: 预测的分类标签。
+
+注意事项:
+- 在 function.py 中实现 kNN 分类算法。
+- 可以自行导入其他库，需要在 requirements.txt 添加依赖，若未在 requirements.txt 中添加使用到的依赖，则无法自动评测，成绩为零。
+- 自动评测脚本仅会加载 classify 和 load_data 函数，请勿修改函数名。
+- 训练集和测试集需手动下载解压，并放入当前目录下。
+
+测评环境:
+- CPU: Intel Xeon(R) CPU E3-1231 v3 @ 3.40GHz
+- OS: Ubuntu 22.04.4 LTS
+- Python: 3.10.12
+- numpy: 2.1.1
+"""
+
+
+"""
+请在这里填写学号和姓名，不填写即成绩无效。
+"""
+id = "202210423xxx"
+name = "test_name"
+
+
+"""
+参数说明:
+- input_vector (numpy array): 输入待分类的样本。
+- dataSet (numpy array): 训练数据集。
+- labels (list or numpy array): 训练集对应的标签。
+- k (int): kNN 算法参数，请**自行设置默认值**，评测时仅会使用其默认值，不修改默认值将**无法通过**评测，**成绩为零**。
+返回值:
+- int: 预测的分类标签。
+"""
+
+
+# 这里写自己的代码实现
+def classify(input_vector, dataSet, labels, k=0):
+    """
+    KNN 分类算法。
+
+    Args:
+    - input_vector (numpy array): 输入待分类的样本。
+    - dataSet (numpy array): 训练数据集。
+    - labels (list or numpy array): 训练集对应的标签。
+    - k (int): kNN 算法参数，请**自行设置默认值**，评测时仅会使用其默认值，不修改默认值将**无法通过**评测，**成绩为零**。
+
+    Returns:
+    - int: 预测的分类标签。
+    """
+
+
+# 这里也写自己的代码实现
+def load_dataset(directory):
+    """
+    从文件夹中加载数据，若不自行正确实现，则无法通过评测，**不记录成绩**。
+
+    Args:
+    - directory (str): 数据文件夹路径。
+
+    Returns:
+    - np.array: 特征数据。
+    - np.array: 标签数据。
+    """
+
+
+# 这里还写自己的代码实现
+def img_to_vector(filename):
+    """
+    将二值图像转换为向量。
+    该部分应为 load_dataset 函数的辅助子函数，可单独在这里实现，也可直接集成至 load_dataset 函数中。
+
+    Args:
+    - filename (str): 图像文件路径。
+
+    Returns:
+    - np.array: 二值图像向量。
+    """
+
+
+if __name__ == "__main__":
+    # 以下代码可用于测试，可自行随意修改
+    train_data, train_labels = load_dataset("trainingDigits")
+
+    test_data = (
+        "00000000000000110000000000000000"
+        "00000000000011111000000000000000"
+        "00000000000011111100000000000000"
+        "00000000001111111110000000000000"
+        "00000000001111111110000000000000"
+        "00000000001111111100000000000000"
+        "00000000011111111000000000000000"
+        "00000000111111111000000000000000"
+        "00000000111111110000000000000000"
+        "00000000111111110000000000000000"
+        "00000000111111110000000000000000"
+        "00000000111111110000000000000000"
+        "00000000111111100000000000000000"
+        "00000001111111100000000000000000"
+        "00000001111111100000000000000000"
+        "00000001111111100000000000000000"
+        "00000001111111111111000000000000"
+        "00000001111111111111111000000000"
+        "00000001111111111111111100000000"
+        "00000011111111111111111110000000"
+        "00000011111111111111111110000000"
+        "00000001111111111111111110000000"
+        "00000001111111111111111110000000"
+        "00000000111111111100111111100000"
+        "00000000111111111000111111100000"
+        "00000000011111111001111111100000"
+        "00000000011111111111111111000000"
+        "00000000001111111111111111000000"
+        "00000000000111111111111111000000"
+        "00000000000011111111111100000000"
+        "00000000000001111111110000000000"
+        "00000000000000000111100000000000"
+    )
+    predicted_label = classify(
+        np.array([int(char) for char in test_data]).reshape(1, 1024),
+        train_data,
+        train_labels,
+    )
+
+    print(f"预测的标签: {predicted_label}")