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
秋田君2 分钟前
Vue3 + WebSocket网页接入弹窗客服功能的完整实现
前端·javascript·websocket·网络协议·学习
比特森林探险记12 分钟前
Go语言常用的设计模式
开发语言·设计模式·golang
深海潜水员33 分钟前
【Unity】背包系统 + 物品管理窗口 (上)
开发语言·vscode·游戏·unity·c#·游戏引擎
晨非辰37 分钟前
#C语言——刷题攻略:牛客编程入门训练(一):简单输出、基本类型
c语言·学习·学习方法·visual studio
德育处主任Pro1 小时前
p5.js 用 beginGeometry () 和 endGeometry () 打造自定义 3D 模型
开发语言·javascript·3d
kyranhan2 小时前
C#程序本地运行正常,通过网络下载报错:FileLoadException:“未能加载文件或程序集“xxx.dll”或它的某一个依赖项。
开发语言·c#·wpf
Yueeyuee_2 小时前
【C#学习Day14笔记】泛型、集合(数组列表Arraylist、列表list)与字典
笔记·学习·c#
涡能增压发动积2 小时前
Browser-Use Agent使用初体验
人工智能·后端·python
wdfk_prog2 小时前
实战指南:如何将Git仓库中的特定文件夹及其历史完整迁移到另一个仓库
大数据·linux·运维·笔记·git·学习·elasticsearch