【机器学习】手写数字识别

前言

logistic回归，是一个分类算法，可以处理二元分类，多元分类。我们使用sklearn中的logistic对手写数字识别进行实践。
数据集

MNIST数据集来自美国国家标准与技术研究所，训练集由250个不同人手写数字构成，50%高中学生，50%来自人口普查局。
数据集展示


数据集下载

百度云盘：
链接：https://pan.baidu.com/s/1ZBU8XBsx7lp7gdN4ySSIWg
提取码：5mrf
关于使用pycharm图片不显示

pycharm默认会在右边进行绘图，由于某些原因导致图片不能显示，只能是白图的解决办法。

• 我们可以首先把图片显示调到独立画框显示。file->settings->Tools->Python Scientific 取消勾选 show plots in tool window.
  
  
• 进行上述操作之后会独立弹出画框进行画图，如果仍然不能显示可以进行下面操作。
  
  
  
  • 找到Configure subplots
    
    
  • 点击紧凑布局，就能显示，之前不能显示可能是因为图太大，导致我们没有看到。
    
    
    
    • 当然你也可以自己调整布局，行距列距什么的。
      
      
    
    
  
  

逻辑回归手写数字识别

1. ## logistis回归，是一个分类算法，可以处理二元分类，多元分类。
2. ## 首先逻辑回归构造冠以的线性回归函数，然后使用sigmoid函数将回归值映射到散列类别
5. ## sklearn 分类算法与手写数字识别
7. ## 数据介绍
8. ## MNIST数据集来自美国国家标准与技术研究所，训练集由250个不同人手写数字构成，50%高中学生，50%来自人口普查局
11. ## 导包
13. import struct,os
14. import numpy as np
15. from array import array as pyarray
16. from numpy import append,array,int8,uint8,zeros
18. import matplotlib.pyplot as plt
20. from sklearn.metrics import accuracy_score, classification_report
21. from sklearn.linear_model import LogisticRegression
23. ## 加载数据集
24. def load_mnist(image_file,label_file,path="mnist"):
25.     digits=np.arange(10)
27.     fname_image = os.path.join(path,image_file)
28.     fname_label = os.path.join(path, label_file)
30.     flbl = open(fname_label,'rb')
31.     magic_nr, size = struct.unpack(">II", flbl.read(8))
32.     lbl = pyarray("b",flbl.read())
33.     flbl.close()
35.     fimg = open(fname_image,'rb')
36.     magic_nr, size, rows, cols = struct.unpack(">IIII", fimg.read(16))
37.     img = pyarray("B",fimg.read())
38.     fimg.close()
40.     ind = [ k for k in range(size) if lbl[k] in digits ]
41.     N = len(ind)
43.     images = zeros((N, rows*cols),dtype = uint8)
44.     labels = zeros((N,1), dtype = int8)
45.     for i in range(len(ind)):
46.         images[i] = array(img[ind[i]*rows*cols : (ind[i]+1)*rows*cols]).reshape((1,rows*cols))
47.         labels[i] = lbl[ind[i]]
49.     return images,labels
52. train_image, train_label = load_mnist('train-images.idx3-ubyte', 'train-labels.idx1-ubyte')
53. test_image, test_label = load_mnist('t10k-images.idx3-ubyte','t10k-labels.idx1-ubyte')
58. ## 数据展示
59. ## 28*28
61. def show_image(imgdata, imgtarget, show_column, show_row,titlename):
62.     for index, (im, it) in enumerate(list(zip(imgdata, imgtarget))):
63.         xx = im.reshape(28,28)
64.         plt.subplots_adjust(left=1, bottom=None, right=3,top=2, wspace=None, hspace=None)
65.         plt.subplot(show_row,show_column,index+1)
67.         plt.axis('off')
68.         plt.imshow(xx, cmap='gray', interpolation='nearest')
69.         plt.title(titlename+':%i' % it)
71.     # plt.savefig(titlename+'.png')
72.     # 这个地方可能会有一个警告，可能因为图太大了，不过没关系，代码正常运行
73.     plt.show()
78. show_image(train_image[:50], train_label[:50],10,5,'label')
80. ## sklearn 分类模型
81. ## 数据归一化
83. train_image = [im/255.0 for im in train_image]
84. test_image = [im/255.0 for im in test_image]
86. print(len(train_image))
87. print(len(test_image))
88. print(len(train_label))
89. print(len(test_label))
93. ## 模型分类
94. ## 模型实例化
95. lr = LogisticRegression(max_iter=1000)
96. ## 模型训练
97. lr.fit(train_image,train_label.ravel())
99. ## 模型验证
100. predict = lr.predict(test_image)
102. print("accuracy score: %.4lf"% accuracy_score(predict,test_label))
103. print("classfication report for %s:\n%s\n"%(lr, classification_report(test_label, predict)))
106. show_image(test_image[:100],predict,10,10,'predict')

复制代码

结果展示

• 模型训练信息
  
• 可以看到
  
  
  
  • 准确度：0.9256
    
  • 训练次数最大1000次
    
  • 精度、平均值、加权平均值等
    
  
  

• 识别效果展示
  
  

分析

我们展示了100张图片的识别效果，可以找到3张明显的识别错误，和模型的评估结果相似。

总结

我们可以多重复运行几次发现结果并没有变化，这可能也是logistic回归的缺点吧，我们也可以使用神经网络进行手写数字识别，但那是深度学习的内容，我们后续会对其进行实现。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！