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
pumpkin845142 小时前
Rust Mock 工具
开发语言·rust
SSH_55232 小时前
【大模型】情绪对话模型项目研发
人工智能·python·语言模型
love530love2 小时前
【笔记】在 MSYS2(MINGW64)中安装 python-maturin 的记录
运维·开发语言·人工智能·windows·笔记·python
阿卡蒂奥3 小时前
C# 结合PaddleOCRSharp搭建Http网络服务
开发语言·http·c#
拾忆-eleven3 小时前
NLP学习路线图(十四):词袋模型(Bag of Words)
人工智能·学习·自然语言处理·nlp
泉飒5 小时前
lua注意事项
开发语言·笔记·lua
拾忆-eleven5 小时前
NLP学习路线图(十五):TF-IDF(词频-逆文档频率)
人工智能·学习·自然语言处理·nlp
hao_wujing5 小时前
使用逆强化学习对网络攻击者的行为偏好进行建模
开发语言·网络·php
G皮T5 小时前
【Python Cookbook】文件与 IO(二)
python·i/o·io·文件·gzip·stringio·bytesio
还是鼠鼠5 小时前
单元测试-概述&入门
java·开发语言·后端·单元测试·log4j·maven