使用sklearn设计“最优的”手写数字体digits数据集和鸢尾花数据集的分类器

问题描述

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
通过实验方法（分类器类型选择、优化方法、激活函数），设计一个“最优的”手写数字体digits数据集和鸢尾花数据集的分类器

---

欢迎大家交流技术，如果有任何问题可以私聊我，期待你们的关注

方法

我是使用到SVM、MLP、SGD三种分类器，针对每个分类器指定不同的参数，SVM设置不同的kernel参数值，包括’linear’, ‘poly’, ‘rbf’, ‘sigmoid’；MLP设置不同的solver优化器，包括’adam’, ‘lbfgs’, ‘sgd’，activation激活函数包括’tanh’, ‘relu’, ‘logistic’, ‘identity’；SGD设置不同的loss包括’hinge’, ‘log’, ‘modified_huber’, ‘squared_hinge’, ‘perceptron’。然后针对这些不同的分类器对手写体数字的数据集进行分类测试，根据测试的准确率来判断每个分类器的性能，将每个分类器的准确率放到一个字典中，字典的键是分类器的名称，字典的值是分类器对应的准确率，最后得到最好的分类器及其准确率。

optim = ['adam', 'lbfgs', 'sgd']
act = ['tanh', 'relu', 'logistic', 'identity']
ker = ['linear', 'poly', 'rbf', 'sigmoid']
opt = ['hinge', 'log', 'modified_huber', 'squared_hinge', 'perceptron']

---

结果展示

经过实验验证得到使用SVM并且使用rbf的和函数能够在手写体数字识别的数据集上获得最后的分类准确率，为98.9%。

针对鸢尾花的数据集，性能较好的分类器包括MLP使用adam的优化器和logistic的激活函数、MLP使用adam的优化器和tanh的激活函数、MLP使用adam的优化器和identity的激活函数、MLP使用sgd的优化器和tanh的激活函数、MLP使用sgd的优化器和identity的激活函数、MLP使用lbfgs的优化器和identity的激活函数的分类器，这些能够使准确率达到100%。

针对不同的数据集分类器的性能是不同的，要针对不同情况的数据集实验得到最优的分类器的参数。