好的，下面是一个基于KNN算法的MNIST数据集分类器，并计算最佳K值及在测试集上的准确率。同时，我们将绘制混淆矩阵以评估分类器性能。
import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, confusion_matrix
import matplotlib.pyplot as plt
# 载入MNIST数据集
X_train, y_train = mnist_reader.load_mnist(".", kind="train")
X_test, y_test = mnist_reader.load_mnist(".", kind="t10k")
# 创建KNN分类器对象
k_values = range(1, 11) # 尝试不同的K值范围
accuracies = [] # 存储每个K值对应的准确率
for k in k_values:
knn = KNeighborsClassifier(n_neighbors=k)
knn.fit(X_train, y_train)
# 在测试集上进行预测并计算准确率
y_pred = knn.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
accuracies.append(accuracy)
best_k = k_values[np.argmax(accuracies)] # 找到最佳K值
print(f"最佳K值: {best_k}")
print(f"在测试集上的准确率: {max(accuracies)}")
# 绘制混淆矩阵
confusion_mat = confusion_matrix(y_test, y_pred)
plt.figure(figsize=(10, 8))
plt.imshow(confusion_mat, cmap=plt.cm.Blues)
plt.title("Confusion Matrix")
plt.colorbar()
tick_marks = np.arange(10)
plt.xticks(tick_marks, range(10))
plt.yticks(tick_marks, range(10))
plt.xlabel("Predicted Label")
plt.ylabel("True Label")
plt.show()
运行以上代码，将会输出最佳K值和在测试集上的准确率，并显示绘制的混淆矩阵。请确保已经安装了numpy、sklearn和matplotlib库。
内容由零声教学AI助手提供，问题来源于学员提问
