python项目练习——4.手写数字识别

使用Python和Scikit-learn库进行机器学习模型训练的项目------手写数字识别。

项目分析:

  1. 数据准备:使用公开数据集(如MNIST)作为训练和测试数据。
  2. 数据预处理:对图像数据进行归一化、展平等操作,以便输入到机器学习模型中。
  3. 模型选择:选择一个适合的机器学习模型,如支持向量机(SVM)、随机森林或神经网络(如多层感知机MLP)。
  4. 模型训练:使用训练数据对模型进行训练。
  5. 模型评估:使用测试数据对训练好的模型进行评估,计算准确率等指标。

首先,确保您已经安装了scikit-learn和numpy库。如果没有安装,可以通过pip进行安装:

pip install scikit-learn numpy

编写代码:

import numpy as np

from sklearn import datasets, svm, metrics

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.neural_network import MLPClassifier

1. 数据准备

加载MNIST数据集

digits = datasets.load_digits()

2. 数据预处理

将图像数据展平为一维数组

n_samples = len(digits.images)

data = digits.images.reshape((n_samples, -1))

划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(data, digits.target, test_size=0.5, shuffle=False)

数据标准化

scaler = StandardScaler()

X_train = scaler.fit_transform(X_train)

X_test = scaler.transform(X_test)

3. 模型选择

使用多层感知机(MLP)作为分类器

mlp = MLPClassifier(hidden_layer_sizes=(50,), max_iter=10, alpha=1e-4,

solver='sgd', verbose=10, random_state=1,

learning_rate_init=.1)

4. 模型训练

mlp.fit(X_train, y_train)

5. 模型评估

预测测试集结果

predictions = mlp.predict(X_test)

计算准确率

print("Classification report for classifier %s:\n%s\n"

% (mlp, metrics.classification_report(y_test, predictions)))

print("Confusion matrix:\n%s" % metrics.confusion_matrix(y_test, predictions))

相关推荐
幽络源小助理5 分钟前
如何从零开始学习黑客技术?网络安全入门指南
网络·学习·web安全
奇某人13 分钟前
【语法】【C+V】本身常用图表类型用法快查【CSDN不支持,VSCODE可用】
开发语言·vscode·markdown·mermaid
做一位快乐的码农28 分钟前
php程序设计之基于PHP的手工艺品销售网站/基于php在线销售系统/基于php在线购物商城系统
开发语言·php
@珍惜一生@1 小时前
Qt开源库
开发语言·qt·开源
Slaughter信仰1 小时前
深入理解Java虚拟机:JVM高级特性与最佳实践(第3版)第四章知识点问答补充及重新排版
java·开发语言·jvm
心灵宝贝1 小时前
Mac用户安装JDK 22完整流程(Intel版dmg文件安装指南附安装包下载)
java·开发语言·macos
2006yu1 小时前
从零开始学习单片机12
学习
今***b2 小时前
Python 操作 PPT 文件:从新手到高手的实战指南
java·python·powerpoint
secondyoung2 小时前
一文丝滑使用Markdown:从写作、绘图到转换为Word与PPT
开发语言·vscode·编辑器·powerpoint·markdown·visual studio·mermaid
程序员杰哥3 小时前
Jmeter+Jenkins接口压力测试持续集成
自动化测试·软件测试·python·测试工具·jmeter·jenkins·压力测试