python機(jī)器學(xué)習(xí)sklearn實(shí)現(xiàn)識(shí)別數(shù)字

第python機(jī)器學(xué)習(xí)sklearn實(shí)現(xiàn)識(shí)別數(shù)字目錄簡介數(shù)據(jù)集數(shù)據(jù)處理數(shù)據(jù)分離訓(xùn)練數(shù)據(jù)數(shù)據(jù)可視化完整代碼

簡介

本文主要簡述如何通過sklearn模塊來進(jìn)行預(yù)測和學(xué)習(xí)，最后再以圖表這種更加直觀的方式展現(xiàn)出來

數(shù)據(jù)集

學(xué)習(xí)數(shù)據(jù)

預(yù)測數(shù)據(jù)

數(shù)據(jù)處理

數(shù)據(jù)分離

因?yàn)槲覀兇蜷_我們的的學(xué)習(xí)數(shù)據(jù)集，最后一項(xiàng)是我們的真實(shí)數(shù)值，看過小唐上一篇的人都知道，老規(guī)矩先進(jìn)行拆分，前面的特征放一塊，后面的真實(shí)值放一塊，同時(shí)由于數(shù)據(jù)沒有列名，我們選擇使用iloc[]來實(shí)現(xiàn)分離

defshuju(tr_path,ts_path,sep='\t'):

train=pd.read_csv(tr_path,sep=sep)

test=pd.read_csv(ts_path,sep=sep)

#特征和結(jié)果分離

train_features=train.iloc[:,:-1].values

train_labels=train.iloc[:,-1].values

test_features=test.iloc[:,:-1].values

test_labels=test.iloc[:,-1].values

returntrain_features,test_features,train_labels,test_labels

訓(xùn)練數(shù)據(jù)

我們在這里直接使用sklearn函數(shù)，通過選擇模型，然后直接生成其識(shí)別規(guī)則

#訓(xùn)練數(shù)據(jù)

deftrain_tree(*data):

x_train,x_test,y_train,y_test=data

clf=DecisionTreeClassifier()

clf.fit(x_train,y_train)

print("學(xué)習(xí)模型預(yù)測成績：{:.4f}".format(clf.score(x_train,y_train)))

print("實(shí)際模型預(yù)測成績：{:.4f}".format(clf.score(x_test,y_test)))

#返回學(xué)習(xí)模型

returnclf

數(shù)據(jù)可視化

為了讓我們的觀察更加直觀，我們還可以使用matplotlib來進(jìn)行觀測

defplot_imafe(test,test_labels,preds):

plt.ion()

plt.show()

foriinrange(50):

label,pred=test_labels[i],preds[i]

title='實(shí)際值:{},predict{}'.format(label,pred)

img=test[i].reshape(28,28)

plt.imshow(img,cmap="binary")

plt.title(title)

plt.show()

print('done')

結(jié)果

完整代碼

importpandasaspd

fromsklearn.treeimportDecisionTreeClassifier

importmatplotlib.pyplotasplt

defshuju(tr_path,ts_path,sep='\t'):

train=pd.read_csv(tr_path,sep=sep)

test=pd.read_csv(ts_path,sep=sep)

#特征和結(jié)果分離

train_features=train.iloc[:,:-1].values

train_labels=train.iloc[:,-1].values

test_features=test.iloc[:,:-1].values

test_labels=test.iloc[:,-1].values

returntrain_features,test_features,train_labels,test_labels

#訓(xùn)練數(shù)據(jù)

deftrain_tree(*data):

x_train,x_test,y_train,y_test=data

clf=DecisionTreeClassifier()

clf.fit(x_train,y_train)

print("學(xué)習(xí)模型預(yù)測成績：{:.4f}".format(clf.score(x_train,y_train)))

print("實(shí)際模型預(yù)測成績：{:.4f}".format(clf.score(x_test,y_test)))

#返回學(xué)習(xí)模型

returnclf

defplot_imafe(test,test_labels,preds):

plt.ion()

plt.show()

foriinrange(50):

label,pred=test_labels[i],preds[i]

title='實(shí)際值:{},predict{}'.format(label,pred)

img=test[i].reshape(28,28)

plt.imshow(img,cmap="binary")

plt.title(title)

plt.show()

print('done')

train_features,test_features,train_labels,test_labels=shuju(r"C:\Users\twy\PycharmProjects\1\train_images.csv",r"C:\Users\twy\PycharmProjects\1\test_images.csv")

clf=train_tree