版权声明：作者：carver 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 https://blog.csdn.net/Victor_zero/article/details/80329635
使用kNN分类器识别了给定的手写字数据集合，大概给定的数据集比较理想化或者手写字本身干扰不大，使得手写数字的正确率可以高达95.92%（虽然有些地方手写数字正确率可以高达100%，但是毕竟模型不同，样本也不同，这是在我第一次学过kNN分类器并优化数据样本集后达到的最高正确率）。
于是则萌生想要将模型应用到具体识别事件中，最终选择了比较类似手写字的甲骨文文字识别，一共296张样本，训练集为221，测试集为75，正确判断22，正确率为29.33%（k取值为3，如若更大则正确率更低）。效果不甚理想，正确率连50%都达不到，分析有以下原因：
1> 训练集、测试集数据太少，导致特征提取样本不够，进而使得特征判断精准度下降
2> 训练集及测试集图片污点、残缺、干扰太大，影响特征提取判断
3> 训练集方向单一，测试集文字若方向不同则导致特征判断失败
根据原因进行优化，前两条由于数据的限制无法找到有效解决方案，则对最后一条进行了解决，对每一张训练集样本顺时针分别旋转90， 180， 270度使得训练样本集扩充至1184张，间接解决了一部分第一条原因，然而最终结果仍是29.33%。遂认为图片的噪声影响对kNN分类器的特征提取即分类判断具有极大影响，在实际现实世界中，kNN分类器的限制极大，但对于具有高质量高特征的图片样本来说，kNN的简单及高泛化能力还是使得其具有很大价值。