首页 > 其他分享> 文章详细

【机器学习】手写数字识别

2022-07-04 22:36:07 阅读：162 来源： 互联网

标签：机器 show ## image label train test 手写识别

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%s\n"%(lr, classification_report(test_label, predict)))


show_image(test_image[:100],predict,10,10,'predict')

结果展示

模型训练信息
可以看到
- 准确度：0.9256
- 训练次数最大1000次
- 精度、平均值、加权平均值等

识别效果展示

分析

我们展示了100张图片的识别效果，可以找到3张明显的识别错误，和模型的评估结果相似。

总结

我们可以多重复运行几次发现结果并没有变化，这可能也是logistic回归的缺点吧，我们也可以使用神经网络进行手写数字识别，但那是深度学习的内容，我们后续会对其进行实现。

标签：机器,show,##,image,label,train,test,手写,识别
来源： https://www.cnblogs.com/hjk-airl/p/16434690.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9