【机器学习】手写数字识别

技术分享 4年前 (2022-07-05) 0 999+

关注

前言

logistic回归，是一个分类算法，可以处理二元分类，多元分类。我们使用sklearn中的logistic对手写数字识别进行实践。

数据集

MNIST数据集来自美国国家标准与技术研究所，训练集由250个不同人手写数字构成，50%高中学生，50%来自人口普查局。

数据集展示

数据集下载

百度云盘：
链接：https://pan.baidu.com/s/1ZBU8XBsx7lp7gdN4ySSIWg
提取码：5mrf

关于使用pycharm图片不显示

pycharm默认会在右边进行绘图，由于某些原因导致图片不能显示，只能是白图的解决办法。

我们可以首先把图片显示调到独立画框显示。file->settings->Tools->Python Scientific 取消勾选 show plots in tool window.
进行上述操作之后会独立弹出画框进行画图，如果仍然不能显示可以进行下面操作。
- 找到Configure subplots
- 点击紧凑布局，就能显示，之前不能显示可能是因为图太大，导致我们没有看到。
  - 当然你也可以自己调整布局，行距列距什么的。

逻辑回归手写数字识别

## logistis回归，是一个分类算法，可以处理二元分类，多元分类。 ## 首先逻辑回归构造冠以的线性回归函数，然后使用sigmoid函数将回归值映射到散列类别   ## sklearn 分类算法与手写数字识别  ## 数据介绍 ## MNIST数据集来自美国国家标准与技术研究所，训练集由250个不同人手写数字构成，50%高中学生，50%来自人口普查局   ## 导包  import struct,os import numpy as np from array import array as pyarray from numpy import append,array,int8,uint8,zeros  import matplotlib.pyplot as plt  from sklearn.metrics import accuracy_score, classification_report from sklearn.linear_model import LogisticRegression  ## 加载数据集 def load_mnist(image_file,label_file,path="mnist"):     digits=np.arange(10)      fname_image = os.path.join(path,image_file)     fname_label = os.path.join(path, label_file)      flbl = open(fname_label,'rb')     magic_nr, size = struct.unpack(">II", flbl.read(8))     lbl = pyarray("b",flbl.read())     flbl.close()      fimg = open(fname_image,'rb')     magic_nr, size, rows, cols = struct.unpack(">IIII", fimg.read(16))     img = pyarray("B",fimg.read())     fimg.close()      ind = [ k for k in range(size) if lbl[k] in digits ]     N = len(ind)      images = zeros((N, rows*cols),dtype = uint8)     labels = zeros((N,1), dtype = int8)     for i in range(len(ind)):         images[i] = array(img[ind[i]*rows*cols : (ind[i]+1)*rows*cols]).reshape((1,rows*cols))         labels[i] = lbl[ind[i]]      return images,labels   train_image, train_label = load_mnist('train-images.idx3-ubyte', 'train-labels.idx1-ubyte') test_image, test_label = load_mnist('t10k-images.idx3-ubyte','t10k-labels.idx1-ubyte')     ## 数据展示 ## 28*28  def show_image(imgdata, imgtarget, show_column, show_row,titlename):     for index, (im, it) in enumerate(list(zip(imgdata, imgtarget))):         xx = im.reshape(28,28)         plt.subplots_adjust(left=1, bottom=None, right=3,top=2, wspace=None, hspace=None)         plt.subplot(show_row,show_column,index+1)          plt.axis('off')         plt.imshow(xx, cmap='gray', interpolation='nearest')         plt.title(titlename+':%i' % it)      # plt.savefig(titlename+'.png')     # 这个地方可能会有一个警告，可能因为图太大了，不过没关系，代码正常运行     plt.show()     show_image(train_image[:50], train_label[:50],10,5,'label')  ## sklearn 分类模型 ## 数据归一化  train_image = [im/255.0 for im in train_image] test_image = [im/255.0 for im in test_image]  print(len(train_image)) print(len(test_image)) print(len(train_label)) print(len(test_label))    ## 模型分类 ## 模型实例化 lr = LogisticRegression(max_iter=1000) ## 模型训练 lr.fit(train_image,train_label.ravel())  ## 模型验证 predict = lr.predict(test_image)  print("accuracy score: %.4lf"% accuracy_score(predict,test_label)) print("classfication report for %s:n%sn"%(lr, classification_report(test_label, predict)))   show_image(test_image[:100],predict,10,10,'predict')