机器学习——15 手写数字识别-小数据集

1.手写数字数据集

  • from sklearn.datasets import load_digits
  • digits = load_digits()
from sklearn.datasets import load_digitsimport numpy as npdigits=load_digits() #获取数据X_data=digits.data.astype(np.float32) #转换类型Y_data=digits.target.astype(np.float32).reshape(-1,1)#将Y_data变为一列print("X_data数据:\n",X_data)print("处理X_data后的数据空间为:",X_data.shape)print("Y_data数据:\n",Y_data)print("处理X_data后的数据空间为:",Y_data.shape)

 机器学习——15 手写数字识别-小数据集

2.图片数据预处理

  • x:归一化MinMaxScaler()
  • y:独热编码OneHotEncoder()或to_categorical
  • 训练集测试集划分
  • 张量结构
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import OneHotEncoder
from sklearn.model_selection import train_test_split

scaler=MinMaxScaler()
X_data = scaler.fit_transform(X_data) #归一化MinMaxScaler()
Y = OneHotEncoder().fit_transform(Y_data).todense() #独热编码OneHotEncoder()
print("归一化后X_data数据:\n",X_data)
print("独热编码后独热编码数据:\n",Y)
X=X_data.reshape(-1,8,8,1) #张量结构,转换为图片的格式(batch,height,width,channels)
x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.2,
                                               random_state=0,stratify=Y) #训练集测试集划分
print("输出训练集测试集:\n",x_train,x_test,y_train,y_test)
print("输出训练集测试集的空间:\n",x_train.shape,x_test.shape,y_train.shape,y_test.shape)

 机器学习——15 手写数字识别-小数据集    机器学习——15 手写数字识别-小数据集

机器学习——15 手写数字识别-小数据集

3.设计卷积神经网络结构

  • 绘制模型结构图,并说明设计依据。

机器学习——15 手写数字识别-小数据集

from tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPool2D# 建立模型model = Sequential()model.add(Conv2D(filters=16,kernel_size=(5, 5),padding=‘same‘,                 input_shape=x_train.shape[1:],activation=‘relu‘)) # 一层卷积model.add(MaxPool2D(pool_size=(2, 2))) # 池化层1model.add(Dropout(0.25))model.add(Conv2D(filters=32,kernel_size=(5, 5),padding=‘same‘,activation=‘relu‘)) # 二层卷积model.add(MaxPool2D(pool_size=(2, 2))) # 池化层2model.add(Dropout(0.25))model.add(Conv2D(filters=64,kernel_size=(5, 5),padding=‘same‘,activation=‘relu‘)) # 三层卷积model.add(Flatten())  # 平坦层model.add(Dense(128, activation=‘relu‘))  # 全连接层model.add(Dropout(0.25))model.add(Dense(10, activation=‘softmax‘)) # 激活函数model.summary()

机器学习——15 手写数字识别-小数据集

 机器学习——15 手写数字识别-小数据集

4.模型训练

  • model.compile(loss=‘categorical_crossentropy‘, optimizer=‘adam‘, metrics=[‘accuracy‘])
  • train_history = model.fit(x=X_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)
model.compile(loss=‘categorical_crossentropy‘, optimizer=‘adam‘, metrics=[‘accuracy‘])
train_history = model.fit(x=x_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)
#batch_size为一次训练的个数,epochs为训练次数

机器学习——15 手写数字识别-小数据集

5.模型评价

  • model.evaluate()
  • 交叉表与交叉矩阵
  • pandas.crosstab
  • seaborn.heatmap
score =model.evaluate(x_test,y_test) #模型评估print("差距及准确率:",score)y_pred=model.predict_classes(x_test) #预测值y_test1=np.argmax(y_test,axis=1).reshape(-1) #数据还原,方便比较y_true=np.array(y_test1)[0]print("测试集空间:",y_pred.shape)print("真实值空间:",y_true.shape)print("预测结果(前10个):",y_pred[:10])print("真实结果(前10个):",y_true[:10])

#交叉表查看预测数据与原数据对比import pandas as pdb = pd.crosstab(y_true,y_pred,rownames=[‘true‘],colnames=[‘predict‘])print("交叉表:",b)#交叉矩阵查看预测数据与原数据对比import seaborn as snsimport matplotlib.pyplot as plta=pd.crosstab(np.array(y_test1),y_pred,rownames=[‘lables‘],colnames=[‘predict‘])df=pd.DataFrame(a) #转换成dataframesns.heatmap(df,annot=True,cmap="YlGnBu",linewidths=0.2,linecolor=‘G‘)plt.show()

机器学习——15 手写数字识别-小数据集

机器学习——15 手写数字识别-小数据集

机器学习——15 手写数字识别-小数据集

 机器学习——15 手写数字识别-小数据集

 ps:画图还是anaconda好!!!