实例介绍
【实例简介】对PCA降维后的手写体数字图片数据分类
使用sklearn.decompositionl的PCA类对手写体数字图片数据进行降维;
使用sklearn.neural network的MLPClassifier类对降维后的数据训练分类模型,对测试数据进行分类,要求分类准确率达到80%以上
训练数据:digits training.csv
测试数据:digits testing.csv
第1列是类别,其他列是特征属性
1. 实验题目
1. 载入训川练数据、分出特征属性和类别,对特征属性标准化,显示读入数据的行数
#标准化函数
def normalizeData(X):
return X-np.mean(X,axis=0)
2. 使用PCA对数据降维,显示主成分个数
for i in range(len(pca.explained_variance_ratio_)):
total_ratio pca.explained_variance_ratio_[i]
3. 使用多层感知机对降维后的数据训练分类模型,保存分类模型为mlpNN_pca.m
MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(48,24),
4. 载入测试数据、分出特征属性和类别,对特征属性标准化,显示读入数据的行数
xTest pca.transform(xTest)
5. 使用分类模型对测试数据分类,显示分类准确率
【实例截图】
【核心代码】
# 1. 载入训练数据、分出特征属性和类别,对特征属性标准化,显示读入数据的行数
import numpy as np
from sklearn.neural_network import MLPClassifier
import joblib
# 读入训练数据
print("1.载入训练数据")
trainData = np.loadtxt(open('digits_training.csv', 'r'),
delimiter=",",skiprows=1)#装载数据
print("2.标准化训练数据")
MTrain, NTrain = np.shape(trainData) #行列数
xTrain = trainData[:,1:NTrain]
xTrain_col_avg = np.mean(xTrain, axis=0) #对各列求均值
xTrain =(xTrain- xTrain_col_avg)/255 #归一化
yTrain = trainData[:,0]
print("装载训练数据",len(xTrain),"条")
# 构建多层感知机,训练模型
# psolver='lbfgs',alpha=le-5,hidden_layer_sizes=(48,24)
print("3.构建神经网络")
print("4.训练模型")
model = MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(48, 24))
model.fit(xTrain,yTrain)
# 3. 保存训练模型名字为“mlp classifier model1.m"
print("5.训练完毕,保存模型")
joblib.dump(model,"mlp_classifier_model1.m")
#
4. 载入测试数据,分出特征属性和类别,对特征属性标准化,显示读入数据的行数
print("6.模型保存完毕,执行测试...")
print("7.载入测试数据....")
testData = np.loadtxt(open('digits_testing.csv', 'r'),
delimiter=",",skiprows=1)
MTest,NTest = np.shape(testData)
print("测试集:",MTest,NTest)
print("8.标准化测试数据")
xTest = testData[:,1:NTest]
xTest = (xTest-xTrain_col_avg) /255 # 使用训练数据的列均值进行处理
yTest = testData[:,0]
print("装载测试数据:",len(xTest),"条")
print("9.使用模型进行预测....")
yPredict = model.predict(xTest)
errors = np.count_nonzero(yTest - yPredict) #返回非零项个数
print("预测完毕。错误:", errors, "条")
#
5. 使用模型对测试集进行预测,显示预测错误数据的数目和预测准确率
print("10.评价模型")
print("测试数据正确率:", (MTest - errors) / MTest)
.
└── 对PCA降维后的手写体数字图片数据分类.ipynb
0 directories, 1 file
小贴士
感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论