更新 function.py

function.py

@@ -22,14 +22,6 @@ def load_dataset(directory):
 
     return np.array(data_matrix), np.array(labels)
 
-"""
-函数名称: img_to_vector
-功能: 将32x32的二值图像转换为1x1024的向量。
-参数:
-- file_path (str): 图像文件的路径。
-返回值:
-- vector (numpy array): 转换后的1x1024的向量。
-"""
 def img_to_vector(file_path):
     vector = np.zeros((1, 1024))
     with open(file_path, 'r') as f:
@@ -39,18 +31,7 @@ def img_to_vector(file_path):
                 vector[0, 32 * i + j] = int(lines[i][j])
     return vector
 
-"""
-函数名称: classify
-功能: 使用kNN算法对输入样本进行分类。
-参数:
-- input_vector (numpy array): 输入待分类的样本，shape 为 (1024,)。
-- dataSet (numpy array): 训练数据集，shape 为 (m, 1024)。
-- labels (list or numpy array): 训练集对应的标签，shape 为 (m,)。
-- k (int): kNN 算法的参数，默认值为3。
-返回值:
-- int: 预测的分类标签。
-"""
-def classify(input_vector, dataSet, labels, k=3):
+def classify(input_vector, dataSet, labels, k=7):
     # 计算欧氏距离
     distances = np.linalg.norm(dataSet - input_vector, axis=1)
     # 获取距离最近的k个样本的标签
@@ -64,14 +45,6 @@ def classify(input_vector, dataSet, labels, k=3):
     most_common = Counter(nearest_labels).most_common(1)
     return most_common[0][0]
 
-"""
-函数名称: normalize_data
-功能: 对数据进行归一化处理，将特征缩放到相同范围，通常是 [0, 1]。
-参数:
-- dataSet (numpy array): 需要归一化的训练数据集或测试数据集。
-返回值:
-- normalized_dataSet (numpy array): 归一化后的数据集。
-"""
 def normalize_data(dataSet):
     # 将数据集 reshape 成二维数组
     num_samples = dataSet.shape[0]
@@ -81,11 +54,6 @@ def normalize_data(dataSet):
     scaler = MinMaxScaler()
     return scaler.fit_transform(dataSet_reshaped)
 
-"""
-实验主程序:
-- 加载训练集和测试集。
-- 测试 kNN 算法的分类效果，并计算分类精度。
-"""
 def main():
     # 加载训练集和测试集
     training_data, training_labels = load_dataset('trainingDigits')
@@ -101,7 +69,7 @@ def main():
 
     for i in range(total_tests):
         test_sample = test_data[i]
-        prediction = classify(test_sample, training_data, training_labels, k=3)
+        prediction = classify(test_sample, training_data, training_labels, k=7)
         actual_label = test_labels[i]
 
         print(f"测试样本 {i+1}: 预测值 = {prediction}, 实际值 = {actual_label}")