机器学习-手写数字识别实现

• 使用knn实现手写数字图片的识别

from sklearn.model_selection import cross_val_score

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split

#加载一张图片数据
img_arr = plt.imread('./digist/3/3_100.bmp')
img_arr.shape
(28, 28)

plt.imshow(img_arr)

• 对所有数据的读取和加载，将其封装成样本数据

feature_list = []
target_list = []
#1.加载数据，封装成样本数据
for i in range(10):
    for j in range(1,501):
        img_path = './digist/'+str(i)+'/'+str(i)+'_'+str(j)+'.bmp'
        img_arr = plt.imread(img_path)
        feature_list.append(img_arr)
        target_list.append(i)

len(feature_list)
5000
len(target_list)
5000

#每一个列表元素为2维，则当前列表一定是一个三维数据结构
#训练模型需要的特征数据必须是二维
feature_list[0].shape
(28, 28)

#需要对feature_list进行扁平化处理：三维的列表变成二维
#如果将每一个列表元素由二维变成1维，则整体列表就变形成了2维
feature = []
for img_arr in feature_list:
    feature.append(img_arr.reshape((28*28,)))

feature = np.array(feature) #将列表转换成数组
target = np.array(target_list)

#拆分数据集
x_train,x_test,y_train,y_test = train_test_split(feature,target,test_size=0.1,random_state=2020)

#找寻模型最优的超参数
scores = []
ks = []
for k in range(3,100):
    knn = KNeighborsClassifier(n_neighbors=k)
    score = cross_val_score(knn,x_train,y_train,cv=5).mean()
    ks.append(k)
    scores.append(score)
best_k = ks[np.argmax(np.array(scores))]
best_k
3

# knn = KNeighborsClassifier(n_neighbors=best_k)
knn = KNeighborsClassifier(n_neighbors=best_k)
knn.fit(x_train,y_train)
knn.score(x_test,y_test)

0.939

 #使用模型进行图像识别 print('真实的图像识别结果:',y_test[0:10]) print('模型分类的结果:',knn.predict(x_test)[0:10]) 真实的图像识别结果: [4 4 6 0 2 4 7 7 8 4] 模型分类的结果: [4 4 6 0 2 4 7 7 8 4]

• 让模型识别外部图片

img_arr = plt.imread('./123.jpg')
plt.imshow(img_arr)

#将5切出来
five_img_arr = img_arr[300:430,185:290]
plt.imshow(five_img_arr)

five_img_arr.shape
(130, 105)

• 训练好的模型识别的图片数据只能是对28*28像素图片进行扁平化处理后的数据

#将five_img_arr进行像素的等比例压缩（28*28），在对其进行扁平化处理即可
import scipy.ndimage as ndimage
five_img_arr_zoom = ndimage.zoom(five_img_arr,zoom=(28/130,28/105))

plt.imshow(five_img_arr_zoom)

#扁平化处理
# five_img_arr_zoom.reshape((28*28,)) #这是一个1维的结构
#在进行predict的时候需要传入的X，必须是二维
knn.predict(five_img_arr_zoom.reshape((1,784)))

array([5])