更新 function.py

function.py

@@ -25,8 +25,8 @@ import numpy as np
 """
 请在这里填写学号和姓名，不填写即成绩无效。
 """
-id = "202210423xxx"
-name = "test_name"
+id = "202210423102"
+name = "周佳成"
 
 
 """
@@ -41,12 +41,12 @@ name = "test_name"
 
 
 # 这里写自己的代码实现
-def classify0(inX, dataSet, labels, k=0):
+def classify(input_vector, dataSet, labels, k=3):
     """
     KNN 分类算法。
 
     Args:
-    - inX (numpy array): 输入待分类的样本。
+    - 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**。
@@ -54,20 +54,84 @@ def classify0(inX, dataSet, labels, k=0):
     Returns:
     - int: 预测的分类标签。
     """
+    if k > len(labels):
+        raise ValueError("k 不能大于训练集样本数")
+
+    distances = np.linalg.norm(dataSet - input_vector, axis=1)
+    sorted_indices = distances.argsort()
+    nearest_labels = np.array(labels)[sorted_indices[:k]]
+    predicted_label = np.bincount(nearest_labels).argmax()
+    return predicted_label
 
 
-def load_data(file_path):
+# 这里也写自己的代码实现
+def load_dataset(directory):
     """
-    加载 TSV 格式数据文件。
-    """
-    data = np.loadtxt(file_path, delimiter="\t")
-    features = data[:, :-1]
-    labels = data[:, -1].astype(int)
-    return features, labels
+    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。
+    """
+    data = []
+    labels = []
+    for filename in os.listdir(directory):
+        if filename.endswith(".txt"):
+            # 提取文件名中的标签信息
+            label = int(filename.split('_')[0])
+            labels.append(label)
+            # 将图像文件转换为向量
+            vector = img_to_vector(os.path.join(directory, filename))
+            data.append(vector)
+    return np.array(data), np.array(labels)
+
+
+# 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。
+    """
+    with open(filename, 'r') as f:
+        lines = f.readlines()
+    # 将32x32的字符矩阵转换为长度为1024的一维数组
+    vector = np.array([int(char) for line in lines for char in line.strip()])
+    return vector
 
 if __name__ == "__main__":
-    # 以下代码可用于测试，可自行随意修改
+    # 加载训练集和测试集
+    train_data, train_labels = load_dataset("D:/二值手写数字数据集/trainingDigits")
+    test_data, test_labels = load_dataset("D:/二值手写数字数据集/testDigits")
+
+    # 记录预测的正确数量
+    correct_count = 0
+
+    # 遍历测试集，逐个样本进行分类
+    for i in range(len(test_data)):
+        predicted_label = classify(test_data[i], train_data, train_labels)
+        print(f"测试样本 {i+1} 的真实标签: {test_labels[i]}，预测标签: {predicted_label}")
+
+        if predicted_label == test_labels[i]:
+            correct_count += 1
+
+    # 打印准确率
+    accuracy = correct_count / len(test_data) * 100
+    print(f"测试集的准确率: {accuracy:.2f}%")
+
+
+
+
+
+
 
     train_file = "datingTrainSet2.tsv"