我们有大约2000个训练样本和1000个左右测试样本，训练样本所在的文件夹是trainingDigits，测试样本所在的文件夹是testDigits。文本文件中是0~9的数字，但是是用二值图表示出来的，如图。我们要做的就是使用训练样本训练模型，并用测试样本来检测模型的性能。
实现了图片到向量的转化之后，我们就可以对测试文件中的内容进行识别了。这里的识别我们可以使用上一篇中的自定义函数classify0，这个函数的第一个参数是测试向量，第二个参数是训练数据集，第三个参数是训练集的标签。所以，我们首先需要将训练数据集转化为（1934*1024）的矩阵，1934这里是训练集的组数即trainingDigits目录下的文件数，其对应的标签转化为（1*1934）的向量。之后要编写的代码就是对测试数据集中的每个文本文件进行识别，也就是需要将每个文件都转化成一个（1*1024）的向量，再传入classify0函数的第一个形参。整体代码如下：
defhandWriteNumClassTest():
NumLabels=[]
TrainingDirfile=listdir(r'D:\i
python\num_recognize\trainingDigits')#文件目录
L=len(TrainingDirfile) #该目录中有多少文件
TrainMat=zeros((L,1024))
foriinrange(L):
file_n=TrainingDirfile[i]
fileName=file_n.split('.')[0]
ClassName=int(file_n.split('_')[0])
NumLabels.append(ClassName)
TrainMat[i,:]=img2vector(r'D:\i
python\num_recognize\trainingDigits\%s'%file_n)
TestfileDir=listdir(r'D:\i
python\num_recognize\testDigits')
error_cnt=0.0
M=len(TestfileDir)
forjinrange(M):
Testfile=TestfileDir[j]
TestfileName=Testfile.split('.')[0]
TestClassName=int(Testfile.split('_')[0])
TestVector=img2vector(r'D:\i
python\num_recognize\testDigits\%s'%Testfile)
result=classify0(TestVector,TrainMat,NumLabels,3)
print('the result is %d,the real answer is %d\n'%(result,TestClassName))
ifresult!=TestClassName:
error_cnt+=1
print('the total num of errors is %f\n'%error_cnt)
print('the error rate is %f\n'%(error_cnt/float(M)))
这里需要首先导入listdir方法，from os import listdir，它可以列出给定目录的文件名。对于测试的每个文件，如果识别的分类结果跟真实结果不一样，则错误数+1，最终用错误数/测试总数 来表示该模型的性能。下面给出结果
