在Kevin P. Murphy的《Machine Learning – A Probabilistic Perspective》一书中，第一个任务是这样的：

练习1.1 在打乱的MNIST数据上使用KNN分类器

运行mnist1NNdemo并验证在前1000个测试案例上，1-NN分类器对MNIST的错误分类率为3.8%。（如果你在所有10,000个测试案例上运行，错误率为3.09%。）修改代码，以便你首先随机打乱特征（训练和测试设计矩阵的列），就像在shuffledDigitsDemo中那样，然后应用分类器。验证错误率没有变化。

我简单的理解是，这个练习是在加载文件后寻找1-NN（在R中使用kNN()函数）。

文件包括：

train-images-idx3-ubyte.gz：训练集图像（9912422字节）

train-labels-idx1-ubyte.gz：训练集标签（28881字节）

t10k-images-idx3-ubyte.gz：测试集图像（1648877字节）

t10k-labels-idx1-ubyte.gz：测试集标签（4542字节）

这些文件来自The MNIST DATABASE

我找到一个流行的模板来加载这些文件：

# for the kNN() function library(VIM)load_mnist <- function() {  load_image_file <- function(filename) {   ret = list()    f = file(filename,'rb')    readBin(f,'integer',n=1,size=4,endian='big')    ret$n = readBin(f,'integer',n=1,size=4,endian='big')    nrow = readBin(f,'integer',n=1,size=4,endian='big')    ncol = readBin(f,'integer',n=1,size=4,endian='big')    x = readBin(f,'integer',n=ret$n*nrow*ncol,size=1,signed=F)    ret$x = matrix(x, ncol=nrow*ncol, byrow=T)    close(f)    ret  }  load_label_file <- function(filename) {    f = file(filename,'rb')    readBin(f,'integer',n=1,size=4,endian='big')    n = readBin(f,'integer',n=1,size=4,endian='big')    y = readBin(f,'integer',n=n,size=1,signed=F)    close(f)    y  }  train <<- load_image_file("train-images.idx3-ubyte")  test <<- load_image_file("t10k-images.idx3-ubyte")     train$y <<- load_label_file("train-labels.idx1-ubyte")  test$y <<- load_label_file("t10k-labels.idx1-ubyte")  }show_digit <- function(arr784, col=gray(12:1/12)) {  image(matrix(arr784, nrow=28)[,28:1], col=col)}

根据评论，在命令行中这应该能工作：

  # Error "Error in matrix(arr784, nrow = 28) : object 'train' not found"  show_digit(train$x[5,])

问题是如何使用show_digit函数？

编辑 删除额外问题

回答：

我对这个问题找到了解决方法：

首先在R Studio或ESS中运行整个文件，然后在控制台中调用load_mnist()。之后再次在控制台中执行show_digit(train$x[3,])，它就会工作。

在整个数据集上寻找KNN分类器可以这样做：a <- knn(train, test, train$y)，但这将是一个非常慢的过程。

可以这样预测结果：table(test$y, a)，其中test$y是预测值，a是实际结果。