简介：基于Python与OpenCV实现的手写数字识别完整项目，适用于计算机相关专业期末大作业、课程设计以及需要实战练习的初学者。代码与文档齐备，可在导师指导基础上直接复用、修改或扩展。压缩包共2000个文件，其中1995张jpg构成可用于训练与测试的手写数字样本集，4个py为程序源码与识别脚本，1个md是项目说明文档，整体约22.76MB，结构清晰，便于对照学习。内容涵盖数据读取、模型训练到识别输出的完整流程，配套文档可帮助理解关键实现思路，也适合用于课程汇报和期末答辩准备。该项目为作者经导师认可并获99分的期末设计，代码资料完整且可直接下载运行。已有235人浏览学习，可供正在准备同类作业的同学参考借鉴。
1. 期末大作业选它：Python+OpenCV手写数字识别为什么比深度学习更稳
期末大作业做手写数字识别，很多同学第一反应是上深度学习，但真正交作业时你会发现，用Python+OpenCV实现的项目反而最稳。它不需要GPU，不需要装TensorFlow或PyTorch，一个OpenCV就同时覆盖了数据读取、图像预处理、特征提取、分类器训练和手写板界面。只要把MNIST数据集跑通，再做一个鼠标写字实时识别的小窗口，论文里每一步都有可展示的中间结果，答辩演示也不会突然崩。这套方案尤其适合Python入门课程、图像处理课程设计以及期末大作业的快速落地。下面就从环境到模型完整走一遍。
2. 先立骨架：项目整体方案、环境安装与版本验证
2.1 三种主流实现路线，期末大作业该选哪一种
先确定路线，别一上来就写代码。手写数字识别常见实现有三类，选错路线的代价到最后才显现。
| 方案 | 原理 | 优点 | 缺点 | 期末大作业适配度 |
|---|---|---|---|---|
| 模板匹配 | 输入图像和每张模板做像素对比，算相似度 | 代码最少，十几行能跑 | 对字体粗细、平移、形变非常敏感，识别率很难看 | 低，演示容易翻车 |
| HOG特征 + KNN/SVM | 提取局部梯度直方图，喂给分类器 | 特征有解释性，能讲清楚，准确率高，依赖少 | 需要调预处理、特征参数 | 高，推荐 |
| CNN卷积神经网络 | 自动学习特征端到端 | MNIST测试集准确率轻松超99% | 框架安装重，答辩难解释，训练过程像黑匣子 | 中，除非课程指定 |
期末这种场景，我一般推荐中间这条路线。KNN本身不需要训练过程，本质就是“找到和当前数字最像的k个样本投票决定是谁”；配上HOG特征后，MNIST测试集准确率能到95%以上，应付课程要求足够。最关键是每个环节的输入输出都能截图放进论文，老师追问“为什么选这个参数”时，你能讲清楚。
确定路线后，项目整体可以拆六个模块：数据读取、图像预处理、特征提取、KNN训练、手写板交互、文档说明。它们串成一个清晰流程，也就是之后源码文件里的主要函数。
2.2 Python、OpenCV、NumPy 的安装与 import 验证
环境安装是期末大作业翻车的第一道坎。常见现象是“装完opencv却找不到cv2”，或者“numpy版本对不上”。建议先用Python 3.8或3.10以上的干净环境，在命令行执行：
python -m pip install --upgrade pip python -m pip install opencv-python numpy matplotlib如果电脑里同时存在多个Python环境，请一定用python -m pip而不是裸pip，否则很可能装到了另一个解释器里，导致下方的import cv2依然报错。
注意：不要写
pip install opencv，这个包名不存在，正确包名是opencv-python。
安装完成后先跑一个小验证，不要直接写业务代码：
import cv2 import numpy as np print("OpenCV 版本:", cv2.__version__) print("NumPy 版本:", np.__version__) img = np.zeros((28, 28), dtype=np.uint8) cv2.imwrite("test.png", img) print(cv2.imread("test.png", cv2.IMREAD_GRAYSCALE).shape)参数说明：opencv-python是OpenCV主包，提供cv2模块；不需要额外装opencv-contrib-python，除非你要用SIFT这类专利保护的算法。matplotlib是用来画准确率曲线和中间结果的，不想装也可以，但期末论文展示有它会方便很多。
验证代码里特意加了一次图像写入和读取。np.zeros((28,28), dtype=np.uint8)生成单通道8位灰度图，这和你之后从MNIST里读到的数据格式一致。如果imread返回None，通常是中文路径或者文件名特殊字符导致的，这在Windows上尤其常见，项目目录记住全用英文，后面能少踩一个坑。print(cv2.imread(...).shape)输出是(28, 28)而不是(28, 28, 3)，说明图像确实按灰度读取成功。
环境准备好后，还要养成建虚拟环境的习惯。我一般是这样：
python -m venv .venv .venv\Scripts\activate # Windows source .venv/bin/activate # Linux / macOS再在激活状态下执行pip安装。这样即使电脑里还有其他项目依赖不同版本的numpy，也不会互相污染。OpenCV的cv2模块在4.x版本里外观很稳定，课程设计里写OpenCV 4.x即可，不需要强行追最新版。
3. 数据准备：把 MNIST 转成本地图片并完成预处理
3.1 读取 MNIST 原始文件，保存为可展示的图片
MNIST官方文件是idx二进制格式，不是常规图片格式。常见的train-images.idx3-ubyte前4字节是magic number，之后分别是图片数量、行数、列数，再往后就是像素字节流。标签文件train-labels.idx1-ubyte前4字节magic number，然后是标签数量，每字节一个标签，标签是0到9的整数，不是ASCII字符。
读取这段要理解大端字节序，直接用int.from_bytes最不容易错：
import numpy as np def read_mnist_images(path): with open(path, 'rb') as f: magic = int.from_bytes(f.read(4), 'big') # 2051 num = int.from_bytes(f.read(4), 'big') # 图片数量 rows = int.from_bytes(f.read(4), 'big') # 28 cols = int.from_bytes(f.read(4), 'big') # 28 data = np.frombuffer(f.read(), dtype=np.uint8) return data.reshape(num, rows, cols) def read_mnist_labels(path): with open(path, 'rb') as f: magic = int.from_bytes(f.read(4), 'big') # 2049 num = int.from_bytes(f.read(4), 'big') labels = np.frombuffer(f.read(), dtype=np.uint8) return labels[:num]逻辑说明：np.frombuffer把文件读到的bytes直接映射成numpy数组，不经过逐字节循环，读6万张图也很快。reshape(num, rows, cols)把一维字节流还原成6万张28×28的灰度图。标签读取后只留前num个，防止文件尾部有额外字节。
参数说明：构造frombytes(f.read(4), 'big')时，'big'表示大端字节序，MNIST官方格式就是大端。如果你用np.load会直接报错；用struct或np.frombuffer时忘记指定dtype也会得到不可读的结果。
为了期末答辩演示，最好把原始二进制转成png图片，这样能在文档里直接贴图，也能用看图软件快速检查预处理效果。下面的函数会把前5000张训练图按标签放进data/train/0、data/train/1等目录：
import os import cv2 def save_mnist_as_png(images, labels, root='data/train', count=5000): for i in range(count): label = int(labels[i]) folder = os.path.join(root, str(label)) os.makedirs(folder, exist_ok=True) path = os.path.join(folder, f'{i:05d}_{label}.png') cv2.imwrite(path, images[i])说明：exist_ok=True避免每次重复创建目录；文件名带五位数序号和标签，方便追踪哪张图来自原始第几个样本。cv2.imwrite写入的是灰度图，OpenCV会按单通道png保存，占用空间小，后续读取也快。
3.2 灰度化、二值化、去噪与尺寸归一化
MNIST原始图片已经是灰度图，但自己手写板的图像可能是彩色的，或者包含噪声。为了让训练样本和预测输入保持一致，必须做同一套预处理。建议顺序是灰度化、二值化、形态学去噪、尺寸归一化，顺序不能乱。
def preprocess(img): if img.ndim == 3: img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化：背景变0，数字变255 _, th = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 形态学闭运算：补笔画内的小孔和细断裂 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) th = cv2.morphologyEx(th, cv2.MORPH_CLOSE, kernel) # 尺寸归一化到28x28 resized = cv2.resize(th, (28, 28), interpolation=cv2.INTER_AREA) return resized参数说明：THRESH_OTSU会根据灰度分布自动选阈值，比写死127稳得多。THRESH_BINARY_INV让背景变成0、数字变成255。这里有个关键约定：后续HOG和KNN都是在这个白字黑底的表示上做的。如果你漏掉INV，背景是255，数字是0，特征方向全反，识别率会崩。
cv2.getStructuringElement生成3×3矩形结构元。闭运算是先膨胀再腐蚀，能把笔画中的小裂缝补上。注意kernel不要用太大了，比如5×5会把本不该相连的数字粘连起来，最典型的是把“1”边上的噪声连成“7”。
cv2.resize用INTER_AREA，适合缩小图像，抗混叠更好；如果后面要放大，用INTER_CUBIC或INTER_LINEAR更合适。预处理函数应该在整个项目里只写一份，训练和预测都调用它，这是避免训练/预测不一致最有效的方法。
3.3 按数字分文件夹整理数据，训练集测试集一次到位
图像文件和标签分开存储很麻烦，最好直接按标签组织目录，结构是：
data/ ├── train/ │ ├── 0/ │ ├── 1/ │ └── ... └── test/ ├── 0/ ├── 1/ └── ...整理脚本可以复用之前的读取和保存逻辑：
train_images = read_mnist_images('train-images.idx3-ubyte') train_labels = read_mnist_labels('train-labels.idx1-ubyte') test_images = read_mnist_images('t10k-images.idx3-ubyte') test_labels = read_mnist_labels('t10k-labels.idx1-ubyte') save_mnist_as_png(train_images, train_labels, 'data/train', count=60000) save_mnist_as_png(test_images, test_labels, 'data/test', count=10000)说明：保存全部训练集和测试集的png需要一点时间和磁盘空间，但后续每次训练不需要重新读idx文件。保存完之后，写训练脚本时只需要os.listdir('data/train/0')就能拿到所有标签为0的图片，逻辑非常朴素。
如果你的论文需要展示“训练集样本”“测试集样本”截图，这些目录本身就是素材。另外，期末答辩最常见的追问是“数据从哪里来”“标签怎么读”，把idx格式和这句整理脚本讲清楚，就很能打。
4. 从环境到模型的5个常见坑：现象、原因与排查
4.1 import cv2 报 ModuleNotFoundError，pip 也装了但没用
现象：终端执行python后运行import cv2，报ModuleNotFoundError: No module named 'cv2'。
原因：最常见不是没装，而是装到了另一个Python环境。比如你用了Anaconda，在base环境里pip install opencv-python，但python命令指向的是系统Python；或者你用了pip而当前pip属于Python 2。第二种是包名写错，pip install opencv会报找不到包。
解决：先确认当前解释器和pip属于同一个环境。执行：
where python # Windows which python # Linux / macOS python -m pip show opencv-python然后在同一条shell里验证：
python -m pip install opencv-python python -c "import cv2; print(cv2.__version__)"如果还是报错，检查有没有同时安装多个python，虚拟环境是否激活。我习惯是全程用python -m pip而不是pip，这样能杜绝大部分装错环境的问题。
4.2 cv2.error 断言失败，OpenCV 4.4.0 也逃不掉
现象：代码跑到cv2.findContours或cv2.threshold时抛错，错误一般长这样：
cv2.error: OpenCV(4.4.0) C:\Users\...\opencv\modules\imgproc\src\contours.cpp:... error: (-215:Assertion failed) npoints >= 0 ...原因：imread返回了None，后面所有函数都拿到空图像；或者传入二值化的图像是浮点类型、不是单通道uint8。中文路径在Windows下也会导致imread失败，这是很隐蔽的坑。OpenCV在4.4.0这类版本里对断言失败的信息并不友好，只看后半段容易让人误以为是轮廓参数写错。
解决：在调用前先做防御判断：
img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) if img is None: print("警告：图片读取失败，路径:", path) continue所有与图像相关的路径不要有中文，不要有空格，统一用英文和数字。如果是摄像头/画板生成的图像，确认dtype是np.uint8，位数不是float32。浮点图在OpenCV里太多函数会直接断断言。
4.3 训练准确率很高，手写识别却翻车
现象：MNIST测试集准确率95%以上，自己用鼠标写几个数字，识别率不到一半。
原因：训练和预测的数据分布不一致。MNIST里的数字基本居中占28×28的中间20×20区域，笔画相对规范；鼠标写出来的数字可能只占画布一小块，直接resize到28×28会导致数字很小、大量空白，或者数字非常大被裁剪。另外，如果训练时预处理没做形态学，而预测时做了，特征也不一致。
解决：统一用3.2的preprocess，并且在预测端加“提取数字外接矩形、按比例缩放到20×20、居中放入28×28”这一步。示例代码：
def extract_digit(canvas): _, inv = cv2.threshold(canvas, 127, 255, cv2.THRESH_BINARY_INV) contours, _ = cv2.findContours(inv, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return np.zeros((28, 28), dtype=np.uint8) all_pts = np.vstack([c.reshape(-1, 2) for c in contours]) x, y, w, h = cv2.boundingRect(all_pts) digit = inv[y:y+h, x:x+w] scale = 20 / max(w, h) new_w = max(1, int(w * scale)) new_h = max(1, int(h * scale)) digit = cv2.resize(digit, (new_w, new_h), interpolation=cv2.INTER_AREA) out = np.zeros((28, 28), dtype=np.uint8) ox = (28 - new_w) // 2 oy = (28 - new_h) // 2 out[oy:oy+new_h, ox:ox+new_w] = digit return out逻辑说明：先二值化让数字为白、背景为黑；再用RETR_EXTERNAL拿最外轮廓；把所有轮廓的点合并成一个集合算外接矩形，避免“8”这种带洞的数字被拆开。按边的最大边缩放成20像素长边，四周留4像素黑边，模仿MNIST的布局。这一步几乎是手写识别不翻车的最关键部分。
4.4 笔画断裂、粘连，二值化参数没调好
现象：预处理后的数字图出现断裂，比如“0”断成两截；或者相邻笔画粘连，“7”变成“H”。
原因：固定阈值选得不对，比如图像灰度整体偏低但用了127；闭运算kernel太大导致粘连；或者画板笔画太细，缩放后直接断。这些都是预处理参数的问题，而不是模型问题。
解决：二值化统一改用OTSU，不要写死阈值。闭运算kernel先用3×3矩形，如果断裂多，可以换成椭圆核cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))，补笔画效果更圆润。如果粘连严重，可以缩减为2×2，或者先做一次腐蚀cv2.erode再闭运算。
调参时要多打印中间结果，把预处理后的图保存成png在文档里对比。期末大作业老师很吃这套，一张图展示“原图、二值化、闭运算、归一化”，比写一百字都管用。
4.5 程序运行卡死、窗口无响应
现象：打开手写板后，鼠标画几笔窗口就转圈，点什么都反应慢，最后只能强制关闭。
原因：把识别放在鼠标回调里，每次移动都跑一遍HOG和KNN；或者主循环没有cv2.waitKey，事件队列不刷新。虽然单次推理只要几十毫秒，但画一笔会产生几十个鼠标事件，一下就卡死。
解决：鼠标回调里只更新画布，识别放到按键事件里。主循环必须加上cv2.waitKey(20)，固定刷新率。识别函数单独抽出来，空格键触发，这样演示时才不会一画就卡。代码模板在5.3里会给出。
5. 训练与演示：HOG 特征、KNN 分类器与鼠标写字板
5.1 特征选型：为什么用 HOG 而不是把 28×28 像素直接拉平
直接把28×28图片拉平成784维像素向量喂给KNN，在MNIST上也能跑到90%以上，但有个问题：像素点位置对位移和粗细太敏感，数字稍微偏移一点，就算字符本身没变，向量差异也很大。自己手写时字形千变万化，很容易翻车。
HOG（Histogram of Oriented Gradients）统计的是局部梯度方向分布，对边缘形状更敏感，对绝对位置和灰度波动更不敏感。数字主要由边缘线组成，HOG能抓住笔画走向，比如“0”是上下左右都有弧，“3”有突出的横向边缘。直观上讲，它比原始像素更接近“人眼在看形状”。
OpenCV的cv2.HOGDescriptor参数很多，期末作业用下面这一组就够了，特征维度只有324维，训练速度飞快：
| 参数 | 值 | 说明 |
|---|---|---|
| winSize | (28, 28) | 检测窗口和输入图一样大 |
| blockSize | (14, 14) | 每个块包含2×2个cell |
| blockStride | (7, 7) | 块重叠一半滑动 |
| cellSize | (7, 7) | 每个cell是7×7像素 |
| nbins | 9 | 一个cell统计9个方向bin |
特征维度计算：块在水平和垂直方向各有3个位置，共9个块；每个块有2×2=4个cell，每个cell9个bin，所以总维度是9×4×9=324。这个解释放进论文很加分。
抽取代码：
hog = cv2.HOGDescriptor((28, 28), (14, 14), (7, 7), (7, 7), 9) feat = hog.compute(resized_img) # 返回 (324, 1) float32参数说明：compute的输入是单通道uint8灰度图，输出是 (324,1) 的列向量。训练时把每个样本的feat.reshape(-1)堆叠成行，就是特征矩阵。
5.2 用 OpenCV KNN 训练分类器：从特征提取到模型保存
KNN在OpenCV中的接口非常简洁，不需要像神经网络那样设置epoch和batch。train接受特征矩阵和标签，标签必须是float32，虽然示例里有人用int32也能跑，但统一用float32避免断言错误。
先从目录加载特征：
import os import cv2 import numpy as np hog = cv2.HOGDescriptor((28, 28), (14, 14), (7, 7), (7, 7), 9) def load_features(data_root, limit=2000): X, y = [], [] for label in range(10): folder = os.path.join(data_root, str(label)) paths = sorted(os.listdir(folder))[:limit] for name in paths: img = cv2.imread(os.path.join(folder, name), cv2.IMREAD_GRAYSCALE) if img is None: continue img = preprocess(img) # 和预测时完全一致 feat = hog.compute(img).reshape(-1) X.append(feat) y.append(float(label)) return np.array(X, dtype=np.float32), np.array(y, dtype=np.float32)说明：limit=2000表示每个数字最多2000张，训练集总共2万张。如果你用的电脑比较旧，可以降到1000，准确率也不会差太多。preprocess必须是3.2里那个函数，不要在训练脚本里另写一份。
训练和评估：
X_train, y_train = load_features('data/train', limit=2000) X_test, y_test = load_features('data/test', limit=1000) knn = cv2.ml.KNearest_create() knn.train(X_train, cv2.ml.ROW_SAMPLE, y_train) knn.save('mnist_knn.xml') ret, results, neighbours, dist = knn.findNearest(X_test, k=5) acc = (results.reshape(-1) == y_test).mean() print('KNN+HOG 准确率:', acc)逻辑说明：findNearest返回四样东西，我们自己只用到前两个。results是预测标签，neighbours是每个测试样本附近最近的k个训练样本标签，dist是对应的欧氏距离。期末论文里可以把neighbours第一个值对应图片打印出来，证明“最近邻”确实长得像数字，这是很直观的可视化。
参数说明：k=5是最近邻数量。准确率如果低于90%，先检查预处理是否和预测一致，再检查是否用了THRESH_BINARY_INV的白字黑底表示，最后再考虑调k。
5.3 鼠标手写板：实时预处理与识别的完整代码
手写板是期末演示的最大亮点。在OpenCV窗口里按住鼠标写字，按空格识别，按c清屏，按Esc退出。这个交互代码不长，但有两个坑：一是鼠标回调里不要放耗时操作，二是显示预测标签时不要直接修改原始画布。
import cv2 import numpy as np canvas = np.ones((200, 200), dtype=np.uint8) * 255 drawing = False def on_mouse(event, x, y, flags, param): global canvas, drawing if event == cv2.EVENT_LBUTTONDOWN: drawing = True cv2.circle(canvas, (x, y), 6, 0, -1) elif event == cv2.EVENT_MOUSEMOVE and drawing: cv2.circle(canvas, (x, y), 6, 0, -1) elif event == cv2.EVENT_LBUTTONUP: drawing = False def predict_digit(canvas, knn, hog): digit = extract_digit(canvas) # 用4.3的函数 digit = preprocess(digit) # 确保尺寸/二值化一致 feat = hog.compute(digit).reshape(-1).astype(np.float32) ret, result, neighbours, dist = knn.findNearest( feat.reshape(1, -1), k=5) return int(result[0][0]) cv2.namedWindow('hand_write') cv2.setMouseCallback('hand_write', on_mouse) while True: display = canvas.copy() key = cv2.waitKey(20) if key == ord(' '): label = predict_digit(canvas, knn, hog) cv2.putText(display, f'predict: {label}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) print('识别结果:', label) elif key == ord('c'): canvas = np.ones((200, 200), dtype=np.uint8) * 255 elif key == 27: break cv2.imshow('hand_write', display) cv2.destroyAllWindows()代码说明：鼠标回调里cv2.circle的半径是6像素，这个值要配合画布200×200。半径太小，写出来的线条缩放成28×28后容易断；太大则笔画过粗，二值化后成一个实心块。可以先试再调。
display = canvas.copy()是防止预测结果文字残留到手写区域。waitKey(20)保证20毫秒刷新一次画面，按键才会及时响应。空格和c都在主循环里触发，不会阻塞鼠标事件。
extract_digit和preprocess的顺序要注意：extract_digit内部已经做了二值化和裁剪，但它输出的28×28图不一定又做了一次闭运算，所以补一个preprocess很安全。反过来先preprocess再extract会把整张canvas缩到28×28，数字位置信息就毁了。
5.4 调 K 值和样本增强：让演示准确率更好看
K值是最直接的旋钮。K=1对噪声敏感，K=7又容易把不同数字拉到一起。常见做法是在训练集上扫一遍：
for k in [3, 5, 7, 9]: ret, results, _, _ = knn.findNearest(X_test, k=k) acc = (results.reshape(-1) == y_test).mean() print(f'k={k}, acc={acc:.4f}')逻辑说明：K增大，模型变得更平滑，但因为数字类别只有10个，K太大反而会让边界变成“所有邻居投票”。期末作业选一个准确率最高的K固定下来，写进config.py。
如果想进一步提高自己手写数字的识别率，需要做样本增强。MNIST里没有鼠标写字那种粗细不均匀、旋转偏移较大的样本，可以用小角度旋转和微小平移生成额外训练样本：
def augment(img, angle=10): M = cv2.getRotationMatrix2D((14, 14), angle, 1.0) return cv2.warpAffine(img, M, (28, 28), borderValue=0)参数说明：(14,14)是28×28图的中心点，旋转轴在中心；borderValue=0表示旋转后露出来的区域填充黑边，对应白字黑底表示。若borderValue设为255，会引入一圈白边，造成特征混乱。
增强时可以对每张图生成角度±10、平移1到2像素的副本，再重新提取HOG训练。这样训练集会大几倍，KNN推理变慢，但MNIST自带数据量已经足够，增强函数更多是为了应对“自己写的字”。我通常只对训练集做增强，测试集保持原样，这个做法在论文里说成“数据增强提升泛化性”就很自然。
6. 验收与交付：用自己写的数字做最后一关验证
期末项目验收不是看训练集准确率，而是看现场演示。很多同学在MNIST测试集上跑出99%，结果手写板画一个“4”识别成“9”，直接翻车。我现在的习惯是交付前先自己写10个数字，每个写两三遍，记录正确数。如果“8”总被识别成“0”，先不急着换模型，而是看预处理后的28×28图长什么样。大部分问题都出在数字没有居中、笔画断裂或粗细不一致上，可以回到extract_digit里调节缩放比例。
演示截图最好准备一张对照表，把自己写的数字、真实标签、预测标签、最近邻样本拼在一起。用一个简单脚本循环10个数字就能生成，放进文档说明的“效果展示”一节，答辩时非常有说服力。同时在文档里写清楚运行步骤：先安装依赖，再运行训练脚本，最后运行手写板脚本。不要以为老师会读你的注释，把每条命令写清楚，才是最实际的事。
我一般还会在源码里放一个config.py，把K值、二值化阈值、HOG参数、训练集路径等集中管理。换参数时不需要改动业务代码，调试和答辩都省心。文档说明里再附一张参数表，老师问“为什么K取5”时，你直接说“扫描过3、5、7、9，取测试集准确率最高的”。这一句话比空谈算法更让人信服。
如果时间充裕，可以把识别错误样本单独存一个文件夹，分析哪些数字容易混淆。3和5、7和1、4和9是最常见的组合。知道这一点后，演示时主动写几个有代表性的数字，反而显得你做过充分测试。希望你用这套方案把期末大作业稳下来，也少熬夜。希望帮到你。
本文还有配套的精品资源，点击获取
