使用KNN對MNIST數據集進行實驗

由於KNN的計算量太大，還沒有使用KD-tree進行優化，所以對於60000訓練集，10000測試集的數據計算比較慢。這里只是想測試觀察一下KNN的效果而已，不調參。

K選擇之前看過貌似最好不要超過20，因此，此處選擇了K=10，距離為歐式距離。如果需要改進，可以再調整K來選擇最好的成績。

先跑了一遍不經過scale的，也就是直接使用像素灰度值來計算歐式距離進行比較。發現開始基本穩定在95%的正確率上，嚇了一跳。因為本來覺得KNN算是沒有怎么“學習”的機器學習算法了，猜測它的特點可能會是在任何情況下都可以用，但都表現的不是最好。所以估計在60%～80%都可以接受。沒想到能基本穩定在95%上，確定算法和代碼沒什么問題后，突然覺得是不是這個數據集比較沒挑戰性。。。

去MNIST官網（http://yann.lecun.com/exdb/mnist/），上面掛了以該數據集為數據的算法的結果比較。查看了一下KNN，發現有好多，而且錯誤率基本都在5%以內，甚至能做到1%以內。唔。

跑的結果是，正確率：96.687%。也就是說，錯誤率error rate為3.31%左右。

再跑一下經過scale的數據，即對灰度數據歸一化到[0,1]范圍內。看看效果是否有所提升。

經過scale，最終跑的結果是，正確率：竟然也是96.687%! 也就是說，對於該數據集下，對KNN的數據是否進行歸一化並無效果！

在跑scale之前，個人猜測：由於一般對數據進行處理之前都進行歸一化，防止高維詛咒（在784維空間中很容易受到高維詛咒）。因此，預測scale后會比前者要好一些的。但是，現在看來二者結果相同。也就是說，對於K=10的KNN算法中，對MNIST的預測一樣的。

對scale前后的正確率相同的猜測：由於在訓練集合中有60000個數據點，因此0-9每個分類平均都有6000個數據點，在這樣的情況下，對於測試數據集中的數據點，相臨近的10個點中大部分都是其他分類而導致分類錯誤的概率會比較地（畢竟10相對與6000來說很小），所以，此時，KNN不僅可以取得較好的分類效果，而且對於是否scale並不敏感，效果相同。

代碼如下：

#KNN for MNIST
from numpy import *
import operator

def line2Mat(line):
    line = line.strip().split(' ')
    label = line[0]
    mat = []
    for pixel in line[1:]:
        pixel = pixel.split(':')[1]
        mat.append(float(pixel))
    return mat, label

#matrix should be type: array. Or classify() will get error.
def file2Mat(fileName):
    f = open(fileName)
    lines = f.readlines()
    matrix = []
    labels = []
    for line in lines:
        mat, label = line2Mat(line)
        matrix.append(mat)
        labels.append(label)
    print 'Read file '+str(fileName) + ' to matrix done!'
    return array(matrix), labels

#classify mat with trained data: matrix and labels. With KNN's K set.
def classify(mat, matrix, labels, k):
    diffMat = tile(mat, (shape(matrix)[0], 1)) - matrix
    #diffMat = array(diffMat)
    sqDiffMat = diffMat ** 2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5
    sortedDistanceIndex = distances.argsort()
    classCount = {}
    for i in range(k):
        voteLabel = labels[sortedDistanceIndex[i]]
        classCount[voteLabel] = classCount.get(voteLabel,0) + 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]

def classifyFiles(trainMatrix, trainLabels, testMatrix, testLabels, K):
    rightCnt = 0
    for i in range(len(testMatrix)):
        if i % 100 == 0:
            print 'num '+str(i)+'. ratio: '+ str(float(rightCnt)/(i+1))
        label = testLabels[i]
        predictLabel = classify(testMatrix[i], trainMatrix, trainLabels, K)
        if label == predictLabel:
            rightCnt += 1
    return float(rightCnt)/len(testMatrix)

trainFile = 'train_60k.txt'
testFile = 'test_10k.txt'
trainMatrix, trainLabels = file2Mat(trainFile)
testMatrix, testLabels = file2Mat(testFile)
K = 10
rightRatio = classifyFiles(trainMatrix, trainLabels, testMatrix, testLabels, K)
print 'classify right ratio:' +str(right)