Kaggle入门，一篇就够！Digit Recognizer 详解。
前言
目前 kaggle 的入门教程也挺多的，但有几个缺点，有些是比较老旧的，代码在新的版本下跑不通，这对于新手而言是很艰难的。（更有些还是py2的代码）；有一些则是有原理没实现，有实现没原理，总而言之，好的入门教程不多。（不多也就是有，此处我附上另一个我觉得写的不错的教程在文末，有兴趣的同学可以去参考一下，当然直接看我这篇也是ok的 ，我会尽量囊括他的内容，算是对其内容的一个更新，因为版本问题，他的有些代码是不能直接跑的）
关于 kaggle，碎碎念
一开始也会觉得 kaggle 好难，觉得怕自己搞不定，就一直拖一直拖，不肯动手。其实完全没必要（难是难，但不至于啥都不能干）
首先来到我们 digit recognizer的地址：www.kaggle.com/c/digit-rec…
【懒癌犯了，暂时挂着，有空补上】 KNN 可优化的点不多，除了改一改K值好像没啥可改的，有看到这篇博客的朋友可以先看看我文末附上的参考链接，同时参考我的代码。 目前 KNN 跑出来的结果只有96.3%，不是很理想。 附上源代码：
import pandas as pd from numpy import mat,tile,array import numpy as np import time import csv,operator def load_data(filename): return pd.read_csv(filename, sep=',', header='infer', names=None, index_col=None, usecols=None) # 二值化，将0-255中，非0的都修改为1 def to_binary(df): dv = df.values width = len(dv[0]) for i in range(1,len(dv)): for j in range(1,width): if dv[i][j]!= 0: dv[i][j] = 1 return dv #inX是所要测试的向量 #dataSet是训练样本集，一行对应一个样本。dataSet对应的标签向量为labels #k是所选的最近邻数目 def classify(inX, dataSet, labels, k): # mat method create a matrix inX=mat(inX) # test_data, just one sample dataSet=mat(dataSet) # train_data labels=mat(labels) # the labels of the train_data dataSetSize = dataSet.shape[0] # 此处用一个测试向量，复制n行，（n为训练集的样本数），使得该测试向量与每一个训练向量相减，用于计算最近k邻【构造了dataSetSize*inX行，1*inX列】 diffMat = tile(inX, (dataSetSize,1)) - dataSet sqDiffMat = array(diffMat)**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances**0.5 sortedDistIndicies = distances.argsort() #array.argsort()，得到每个元素的排序序号 classCount={} #sortedDistIndicies[0]表示排序后排在第一个的那个数在原来数组中的下标 for i in range(k): voteIlabel = labels[0,sortedDistIndicies[i]] classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0] def saveResult(result): with open('result.csv','w',newline='') as myFile: myWriter=csv.writer(myFile) myWriter.writerow(['imageid','label']) for i in range(len(result)): myWriter.writerow([i+1,str(result[i])]) if __name__ == '__main__': print("loading train data...") df = load_data("train.csv") # 加载训练数据 label = df['label'].values df = df.drop(['label'],axis=1) # 去除label列 print("loading test data...") dt = load_data("test.csv") # 加载测试样本集，因为测试样本集不含label，可直接取values，提高后续速度 print("nomalizing...") start = time.time() db = to_binary(df) # 二值化 dt = to_binary(dt) # 对测试集同样进行二值化 print("training...") # print(len(dt)) dt_len = len(dt) resultList = [] #np.empty(dt_len) # 效率比建list 后append 高 for i in range(dt_len): classifierResult = classify(dt[i], db, label, 5) # resultList[i] = classifierResult resultList.append(classifierResult) print(str(i+1)+","+str(classifierResult)) # print("the classifier came back with: %d" % (classifierResult)) saveResult(resultList) end = time.time() print("using time:",end-start)
作者：菜饼不菜
链接：https://juejin.cn/post/7021451322129907726