sklearn手写数字识别

最新推荐文章于 2024-09-13 15:18:18 发布

原创

最新推荐文章于 2024-09-13 15:18:18 发布 · 1.3k 阅读

8 ·

CC 4.0 BY-SA版权

本文介绍了如何利用Python的sklearn库进行手写数字的识别，详细讲解了从数据预处理到模型训练的全过程，包括MNIST数据集的加载、数据标准化、模型选择（如SVM、随机森林等）、模型训练与评估等步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
from sklearn.datasets import load_digits
from sklearn.preprocessing import  LabelBinarizer
from sklearn.model_selection import  train_test_split
from sklearn.metrics import  classification_report, confusion_matrix
import matplotlib.pyplot as plt

# load data
digits = load_digits()
print digits.images.shape

# show image
plt.imshow(digits.images[0], cmap='gray')
plt.show()

# data
X = digits.data
# label
y = digits.target
print X.shape
print y.shape
print X[:3]
print y[:3]

# define a nerve network, struct: 64-100-10
# define input layer to hidden layer's value metrics
V = np.random.random((64, 100)) * 2 - 1
# define hidden layer to input layer's value metrics
W = np.random.random((100, 10)) * 2 - 1

# data split
X_train, X_test, y_train, y_test = train_test_split(X, y)

# tag binaryzation
labels_train = LabelBinarizer().fit_transform(y_train)
print y_train[:5]
print labels_train[:5]

# active function
def sigmoid(x):