使用sklearn-SGDClassifier分类mnist数据集中‘5‘,并使用交叉验证评估模型

python 复制代码
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_openml
from sklearn.linear_model import SGDClassifier
from sklearn.model_selection import cross_val_score

mnist = fetch_openml('mnist_784', version=1, parser='auto')

X, y = mnist['data'], mnist['target']

X = np.array(X)
y = np.array(y)

X_train, X_test, y_train, y_test = X[:60000], X[60000:], y[:60000], y[60000:]

shuffle_index = np.random.permutation(60000)
X_train, y_train = X_train[shuffle_index], y_train[shuffle_index]

y_train_5 = (y_train=='5')
y_test_5 = (y_test=='5')

clf = SGDClassifier(random_state=42)
clf.fit(X_train,y_train_5)

result_X_66666 = clf.predict([X[66666]])
print(result_X_66666)

image = X[66666].reshape(28, 28)
plt.imshow(image, cmap='gray') # 图像以灰度模式显示
plt.show()

result_cross_val_score= cross_val_score(clf, X_train, y_train_5, cv=3)
print(result_cross_val_score)

1. 下图报错也许是因为尝试使用shuffle_index数组来索引X_train[]DataFrame时,该索引数组中的值被误解。将X和y转换为numpy数组,然后再进行随机洗牌操作,解决报错。

X = np.array(X)

y = np.array(y)

2. shuffle_index = np.random.permutation(60000)

random.permutation函数生成一个长度为60000的随机排列数组。这个数组shuffle_index可以用于打乱数据集,确保数据的随机性。

3. 以图片形式显示X[66666]

image = X[66666].reshape(28, 28)

plt.imshow(image, cmap='gray')

plt.show()

4. clf = SGDClassifier(random_state=42)

random_state参数是许多算法中用于控制随机数生成的种子值的一个常见参数。通过设置random_state为一个固定的整数值,可以确保代码的随机性部分是可重复的,这意味着每次运行代码时,如果输入数据不变,使用相同的random_state值将得到完全相同的结果。

5. 结果​​​​​​​

6. 学习视频

4-交叉验证实验分析_哔哩哔哩_bilibili

相关推荐
羊小猪~~2 小时前
【NLP入门系列四】评论文本分类入门案例
人工智能·自然语言处理·分类
蓝婷儿9 小时前
Python 机器学习核心入门与实战进阶 Day 1 - 分类 vs 回归
python·机器学习·分类
.30-06Springfield10 小时前
利用人名语言分类案例演示RNN、LSTM和GRU的区别(基于PyTorch)
人工智能·pytorch·python·rnn·分类·gru·lstm
归去_来兮15 小时前
支持向量机(SVM)分类
机器学习·支持向量机·分类
不秃的卤蛋10 天前
回归任务与分类任务的区别
人工智能·分类·数据挖掘·回归
SHIPKING39311 天前
【机器学习四大核心任务类型详解】分类、回归、聚类、降维都是什么?
机器学习·分类·回归
夜松云12 天前
GoogLeNet:图像分类神经网络的深度剖析与实践
图像处理·人工智能·神经网络·分类·数据挖掘·卷积神经网络·分类算法
我不是小upper12 天前
时间序列预测、分类 | 图神经网络开源代码分享(上)
深度学习·神经网络·分类
笨小古12 天前
深度学习——第2章习题2-1分析为什么平方损失函数不适用于分类问题
人工智能·深度学习·分类
致Great12 天前
检索增强生成(RAG)领域关键数据集综述:分类、挑战与展望
人工智能·分类·数据挖掘