对PCA降维后的手写体数字图片数据分类

【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