python机器学习(手写数字识别)

导包

import matplotlib.pyplot as plt

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.neighbors import KNeighborsClassifier

import joblib

from collections import Counter

1. 定义函数 show_digit(idx), 用于查看: 数字图片.

def show_digit(idx):

idx: 行索引, 即: 要哪行的数据.

1. 读取数据, 获取df对象.

data = pd.read_csv('data/手写数字识别.csv')

细节: 非法值校验.

if idx < 0 or idx > len(data) - 1 :

return

2. 获取数据, 即: 特征 + 标签

x = data.iloc[:, 1:]

y = data.iloc[:, 0]

3. 查看下数据集.

print(f'x的维度: {x.shape}') # (42000, 784)

print(f'y的各分类数量: {Counter(y)}') # Counter({1: 4684, 7: 4401, 3: 4351, 9: 4188, 2: 4177, 6: 4137, 0: 4132, 4: 4072, 8: 4063, 5: 3795})

4. 获取具体的 某张图片, 即: 某行数据 => 样本数据.

step1: 把图片转成 28 * 28像素(二维数组)

digit = x.iloc[idx].values.reshape(28, 28)

step2: 显示图片.

plt.imshow(digit, cmap='gray') # 灰色显示 => 灰度图

step3: 取消坐标显示.

plt.axis('off')

step4: 显示图片

plt.show()

2. 定义函数 train_model(), 用于训练模型.

def train_model():

1. 读取数据, 获取df对象.

data = pd.read_csv('data/手写数字识别.csv')

2. 获取数据, 即: 特征 + 标签

x = data.iloc[:, 1:]

y = data.iloc[:, 0]

3. 数据的预处理.

step1: x轴(像素点)的 归一化处理.

x = x / 255

step2: 区分训练集和测试集. stratify: 按照y的类别比例进行分割

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, stratify=y, random_state=21)

4. 训练模型.

estimator = KNeighborsClassifier(n_neighbors=3)

estimator.fit(x_train, y_train)

5. 模型预估, 评测正确率.

my_score = estimator.score(x_test, y_test)

print(f'模型预估正确率: {my_score}') # 0.9657142857142857

6. 保存模型.

joblib.dump(estimator, 'model/knn.pth')

3. 定义use_model()函数, 用于: 测试模型.

def use_model(): # pytest

1. 加载图片.

img = plt.imread('data/demo.png') # 28 * 28像素

plt.imshow(img, cmap='gray') # 灰度图

plt.show()

2. 加载模型.

estimator = joblib.load('model/knn.pth')

3. 预测图片.

img = img.reshape(1, -1) # 效果等价于: reshape(1, 784)

y_test = estimator.predict(img)

print(f'预测的数字是: {y_test}')

4. 在main函数中测试.

if name == 'main':

显示数字图片.

show_digit(10)

show_digit(21)

训练模型

train_model()

测试模型

use_model()

相关推荐
罗小罗同学2 分钟前
医工交叉入门书籍分享:Transformer模型在机器学习领域的应用|个人观点·24-11-22
深度学习·机器学习·transformer
湫ccc2 分钟前
Python简介以及解释器安装(保姆级教学)
开发语言·python
孤独且没人爱的纸鹤5 分钟前
【深度学习】:从人工神经网络的基础原理到循环神经网络的先进技术,跨越智能算法的关键发展阶段及其未来趋势,探索技术进步与应用挑战
人工智能·python·深度学习·机器学习·ai
阿_旭8 分钟前
TensorFlow构建CNN卷积神经网络模型的基本步骤:数据处理、模型构建、模型训练
人工智能·深度学习·cnn·tensorflow
羊小猪~~9 分钟前
tensorflow案例7--数据增强与测试集, 训练集, 验证集的构建
人工智能·python·深度学习·机器学习·cnn·tensorflow·neo4j
lzhlizihang11 分钟前
python如何使用spark操作hive
hive·python·spark
q0_0p12 分钟前
牛客小白月赛105 (Python题解) A~E
python·牛客
极客代码15 分钟前
【Python TensorFlow】进阶指南(续篇三)
开发语言·人工智能·python·深度学习·tensorflow
zhangfeng113315 分钟前
pytorch 的交叉熵函数,多分类,二分类
人工智能·pytorch·分类
Seeklike17 分钟前
11.22 深度学习-pytorch自动微分
人工智能·pytorch·深度学习