手写数字识别——数据降维(PCA)技术在图像识别中的应用

1、手写数字识别数据降维（PCA）技术在图像识别中的应用1导入模块importnumpyasnpimportpandasaspdfrompandasimportSeries,DataFrameimportmatplotlib.pyplotasplt%matplotlibinline#向量机fromsklearn.svmimportSVC#主成分分析(principalcomponentsanalysis),主要用于数据降维的fromsklearn.decompositionimportPCA#用于切割训练数据和样本数据fromsklearn.model_selectionimporttrain_t

2、est_split2生成训练数据和测试数据#本地数据data=pd.read_csv(./data/digits.csv)train=data.iloc:,1:target=datalabel#训练数据和样本数据切割Xtrain,xtest,ytrain,ytrue=traintestsplit(train,target,testsize=0.2)对数据进行降维处理“PCA用于数据降维，减少运算时间，避免过拟合*n_components参数设置需要保留特征的数量，如果是小数，则表示保留特征的比例#3.1.创建pea对象pea=PCA(n_components=150,whiten=True)#

3、3.2.使用pca训练数据pca.fit(X_train,y_train)#3.3.对数据进行降维处理X_train_pca=pca.transform(X_train)x_test_pca=pca.transform(x_test)结果将由原来的784个特征变为了150个特征4.创建学习模型svc=SVC(kernel=rbf)5.使用降维后的数据进行模型训练svc.fit(X_train_pca,y_train)预.测结果ypresvc=svc.predict(xtestpca)7.展示结果#展示前100的测试样本数据samples=x_test.iloc:100y_pre=y_pre_s

4、vc100plt.figure(figsize=(12,18)foriinrange(100):plt.subplot(l0,10,i+1)plt.imshow(samples.iloci.reshape(28,28),cmap=gray)title=True:+str(y_true.iloci)+nSVC:+str(y_prei)plt.title(title)plt.axis(off)8.True：?7nje；2True；5Trxje；6True；lTrue；lTrvie4True：3True；4True：?SVC;7SVC;2SVC5SVC;6SVC：1SVC;1SVC：4SVC:3WC

5、：4SVC:7Tme：6True?True；6Tfue6True；4True汨True：2True；3True：?True；4SVCSVC：7SVC：4SVC：6SVC:4SVC：8SVC：2SVCJSVC：7SVC：4True：6SVC6True：45VC;4TrueilSVC:1True：7SVC:7True：5True1SVC:55VC2True：6SVC:6True：3SVC:5True；4SVC:47kJTrue：75VC7True：4SVC4True；4True1SVC4SVClTrueSSVC；3True：5SVC5True汩SVC：37True：45g4True；3WC；3True?SVC7True4SVC4True.5SVC.5TrueOSVC:OTrue：?SVCJTrueiSSVC:5True：2SVC.2True：6SVC.6True.3SVC3True.9SVC:9True：3SVC:3True：4SVC14Tiue：9SVC9True.4Tnje：2SV匚:2TrueOSVCOTruedSVC9Tnje：7SVC;7TrueOSVC0True：6SVC6True；2SV匚:2True；4SV