人工智能实验报告

人工智能课程项目报告

姓名：

班级：二班

一、实验背景

在新的时代背景下，人工智能这一重要的计算机学科分支，焕发出了他强大的生命力。不仅仅为了完成课程设计，作为计算机专业的学生，

了解他，学习他我认为都是很有必要的。

二、实验目的

识别手写字体0~9

三、实验原理

用K-最近邻算法对数据进行分类。逻辑回归算法（仅分类0和1）四、实验内容

使用knn算法：

1.创建一个1024列矩阵载入训练集每一行存一个训练集

2.把测试集中的一个文件转化为一个1024列的矩阵。

3.使用knnClassify（）进行测试

4.依据k的值，得出结果

使用逻辑回归：

1.创建一个1024列矩阵载入训练集每一行存一个训练集

2.把测试集中的一个文件转化为一个1024列的矩阵。

3.

使用上式求参数。步长0.07，迭代10次

4.使用参数以及逻辑回归函数对测试数据处理，根据结果判断测试数

据类型。

五、实验结果与分析

5.1实验环境与工具

Window7旗舰版+python2.7.10+numpy（库）+notepad++（编辑）

Python这一语言的发展是非常迅速的，既然他支持在window下运行就不必去搞虚拟机。

5.2实验数据集与参数设置

Knn算法：

训练数据1934个，测试数据有946个。

数据包括数字0-9的手写体。每个数字大约有200个样本。

每个样本保持在一个txt文件中。手写体图像本身的大小是32x32的二值图，转换到txt文件保存后，内容也是32x32个数字，0或者1，如下图所示

建立一个kNN.py脚本文件，文件里面包含三个函数，一个用来生成将每个样本的txt文件转换为对应的一个向量：img2vector(filename):，一个用来加载整个数据库loadDataSet():，最后就是实现测试。

5.3评估标准

看测试数与测试结果是否相同。相同输出结果正确，否则输出结果错误。

5.4实验结果与分析

实验分析：

KNN算法可以说是使用蛮力进行分类，每进行一个测试样本的判断，都要对所以的训练集操作一次，时间复杂度和空间复杂度都会随着训练集和测试集的数量而增加。而逻辑回归只对测试集操作一次。

可以说计算代价knn是乘法：测试集数*训练集数。而逻辑回归是加法测试集+训练集数。

实验结果：

Knn算法：

我们可以输入k的值进行测试。

当k=6时结果如下图：

当k=3时结果如下图：

逻辑回归：测试结果正确率为100%。

KNN算法部分代码

逻辑回归算法部分代码