在 Kaggle 上面的 Notebook 给可爱的学弟学妹们用于参考... 代码这个东西一定要自己多写，我一边听着林宥嘉的《想自由》，一边写出了大致的实现。K 近邻算法大概做的是一件什么事情呢？你去商店买衣服的时候，突然忘记了自己要买的衣服多大尺码比较合适（S/M/L/XL 这种）。这个时候你就要找几个身材和你差不多的几个店内顾客问一问了，结果你发现你这样的身材的人大多买的是 XL 的衣服，所以你最后告诉老板你也买 XL 的衣服，果然是机智聪明啊。

下面是解决该问题的思路重点：

• 身材和你相似的人的建议比较有参考价值。（排序取前 K 个最相似的）
• 你是怎么判断其它人身材和你的相似程度的？（距离度量方式）
• 你最终参考的是最多被购买的那一类尺码。（毕竟不同的人建议可能不同）

关于数据集的读入

MNIST 数据集可以在这里获取：THE MNIST DATABASE of handwritten digits . 你一定很好奇——为什么在 Kaggle 里面数据集是 CSV 格式，而在数据集官网提供的是四个压缩文件？这没什么好稀奇的，你只需要根据不同的数据格式采用不同的数据读取套路就好了，只要最后的数据格式的维度一致即可。

数据集已经解压

def load_mnist(path, kind='train'):"""Load MNIST data from `path`"""labels_path = os.path.join(path,'%s-labels-idx1-ubyte'% kind)images_path = os.path.join(path,'%s-images-idx3-ubyte'% kind)with open(labels_path,'rb') as lbpath:labels = np.frombuffer(lbpath.read(), dtype=np.uint8,offset=8)with open(images_path,'rb') as imgpath:images = np.frombuffer(imgpath.read(), dtype=np.uint8,offset=16).reshape(len(labels), 784)return images, labels

数据集未解压

def load_mnist(path, kind='train'):"""Load MNIST data from `path`"""labels_path = os.path.join(path,'%s-labels-idx1-ubyte.gz'% kind)images_path = os.path.join(path,'%s-images-idx3-ubyte.gz'% kind)with gzip.open(labels_path, 'rb') as lbpath:labels = np.frombuffer(lbpath.read(), dtype=np.uint8,offset=8)with gzip.open(images_path, 'rb') as imgpath:images = np.frombuffer(imgpath.read(), dtype=np.uint8,offset=16).reshape(len(labels), 784)return images, labels

数据集已经被转为 CSV 格式且无测试集标签（Kaggle）

# It will takes about 1 ~ 2 minutes (depends on CPU)
train_data = np.genfromtxt('../input/train.csv', delimiter=',',skip_header=1).astype(np.dtype('uint8'))
X_train = train_data[:,1:]
y_train = train_data[:,:1]X_test = np.genfromtxt('../input/test.csv', delimiter=',',skip_header=1).astype(np.dtype('uint8'))

检查数据导入是否顺利

indices 即在训练集索引列表中随机取了 9 个值，用于预览图片的导入效果。这个 list 你也可以自己指定。

np.random.seed(0);
indices = list(np.random.randint(m_train, size=9))
for i in range(9):plt.subplot(3,3,i + 1)plt.imshow(X_train[indices[i]].reshape(28,28), cmap='gray', interpolation='none')plt.title("Index {} Class {}".format(indices[i], y_train[indices[i]]))plt.tight_layout()

定义距离度量

之前我们说了，你需要找几个身材和你相似的人，那么你就可以根据三维的属性定义一个距离度量公式。而对于图片来说，图片的相似度计算方法有很多，下面只给出了两种常见的距离度量公式。

def euclidean_distance(vector1, vector2):return np.sqrt(np.sum(np.power(vector1 - vector2, 2)))
def absolute_distance(vector1, vector2):return np.sum(np.absolute(vector1 - vector2))

找相似邻居（K Neighbours）

和你身材相似的人的尺码参考价值比较高，但是也不可轻信一家之言，所以你需要找和你身材最相似的 K 个人，以避免出现意外。

import operator
def get_neighbours(X_train, test_instance, k):distances = []neighbors = []for i in range(0, X_train.shape[0]):dist = euclidean_distance(X_train[i], test_instance)distances.append((i, dist))distances.sort(key=operator.itemgetter(1))for x in range(k):# print(distances[x])neighbors.append(distances[x][0])return neighbors

得到投票最多的建议

大家众说纷纭，最好的决策方法自然就是看最多数的人给出的建议了。

def predictkNNClass(output, y_train):classVotes = {}for i in range(len(output)):# print(output[i], y_train[output[i]])if y_train[output[i]][0] in classVotes:classVotes[y_train[output[i]][0]] += 1else:classVotes[y_train[output[i]][0]] = 1sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True)# print(sortedVotes)return sortedVotes[0][0]

拿实例来进行测试

从测试集中取出第 667 张图片来测试，找出训练集中和它最相似的 9 （K=9）张图片，其中 6 张图片的类别为 “1” ，那么这张图片分类为 “1” 的概率最大。

instance_num = 666
k = 9
plt.imshow(X_test[instance_num].reshape(28,28), cmap='gray', interpolation='none')
instance_neighbours = get_neighbours(X_train, X_test[instance_num], 9)
indices = instance_neighbours
for i in range(9):plt.subplot(3,3,i + 1)plt.imshow(X_train[indices[i]].reshape(28,28), cmap='gray', interpolation='none')plt.title("Index {} Class {}".format(indices[i], y_train[indices[i]]))plt.tight_layout()
predictkNNClass(instance_neighbours, y_train)

CSV 的导出（Kaggle）

import csv
submit = pd.DataFrame(columns=('ImageId', 'Label'))
for i in range(5):  # change 5 to X_test.shape[0] will takes a long long long ... TIME!neighbours = get_neighbours(X_train, X_test[i], 20)label = predictkNNClass(neighbours, y_train)submit.loc[i]={'ImageId': i + 1,'Label': label}
submit.to_csv('csv_to_submit.csv', index = False)

最后算法给出的预测类别也是 “1” ，但是 KNN 算法的准确率其实并不高，不信你就换换上面的 instance_num ，自行测试一下预测结果。另外一个需要注意的问题是 K 的取值，这个可以算作是一种超参数，具体取什么值就见仁见智了。至于我为什么没有对训练集全部运行 KNN 导出 CSV 文件去得到在 MNIST 的预测准确率，请尝试计算一下上面算法所需的时间复杂度... 这个时候你就能体会到 Scikit-Learn 的优点了，毕竟我们的代码实现只能算是一个 demo，这里有一篇 推荐博文 。