generated from LufsX/Experiment-kNN
83 lines
2.5 KiB
Python
83 lines
2.5 KiB
Python
# 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 = "202210423221"
|
|
name = "廖子豪"
|
|
|
|
|
|
"""
|
|
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_values=[1, 31]):
|
|
# ... 你的代码 ...
|
|
|
|
def load_dataset(directory):
|
|
labels = []
|
|
file_list = os.listdir(directory)
|
|
num_samples = len(file_list)
|
|
dataset = np.zeros((num_samples, 1024))
|
|
|
|
for i, filename in enumerate(file_list):
|
|
label = int(filename.split("_")[0]) # 从文件名中提取标签
|
|
labels.append(label)
|
|
dataset[i, :] = img_to_vector(os.path.join(directory, filename))
|
|
|
|
return dataset, np.array(labels)
|
|
|
|
def img_to_vector(filename):
|
|
with open(filename, 'r') as file_in:
|
|
img_vector = np.zeros((1, 1024))
|
|
for idx, line in enumerate(file_in):
|
|
for col_idx, char in enumerate(line.strip()):
|
|
img_vector[0, idx * 32 + col_idx] = int(char)
|
|
return img_vector
|
|
|
|
if __name__ == "__main__":
|
|
# 请确保trainingDigits文件夹在你的工作目录中，或者提供完整的路径
|
|
train_data, train_labels = load_dataset("trainingDigits")
|
|
|
|
test_data = (
|
|
# ... 你的测试数据 ...
|
|
)
|
|
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}") |