python机器学习sklearn实现识别数字

第python机器学习sklearn实现识别数字目录简介数据集数据处理数据分离训练数据数据可视化完整代码

简介

本文主要简述如何通过sklearn模块来进行预测和学习，最后再以图表这种更加直观的方式展现出来

数据集

学习数据

预测数据

数据处理

数据分离

因为我们打开我们的的学习数据集，最后一项是我们的真实数值，看过小唐上一篇的人都知道，老规矩先进行拆分，前面的特征放一块，后面的真实值放一块，同时由于数据没有列名，我们选择使用iloc[]来实现分离

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

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

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

#特征和结果分离

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

训练数据

我们在这里直接使用sklearn函数，通过选择模型，然后直接生成其识别规则

#训练数据

deftrain_tree(*data):

x_train,x_test,y_train,y_test=data

clf=DecisionTreeClassifier()

clf.fit(x_train,y_train)

print("学习模型预测成绩：{:.4f}".format(clf.score(x_train,y_train)))

print("实际模型预测成绩：{:.4f}".format(clf.score(x_test,y_test)))

#返回学习模型

returnclf

数据可视化

为了让我们的观察更加直观，我们还可以使用matplotlib来进行观测

defplot_imafe(test,test_labels,preds):

plt.ion()

plt.show()

foriinrange(50):

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

title='实际值:{},predict{}'.format(label,pred)

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

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

plt.title(title)

plt.show()

print('done')

结果

完整代码

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)

#特征和结果分离

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

#训练数据

deftrain_tree(*data):

x_train,x_test,y_train,y_test=data

clf=DecisionTreeClassifier()

clf.fit(x_train,y_train)

print("学习模型预测成绩：{:.4f}".format(clf.score(x_train,y_train)))

print("实际模型预测成绩：{:.4f}".format(clf.score(x_test,y_test)))

#返回学习模型

returnclf

defplot_imafe(test,test_labels,preds):

plt.ion()

plt.show()

foriinrange(50):

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

title='实际值:{},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