机器学习sklearn之neuralnetwork（麦子学院）

最新推荐文章于 2024-02-06 08:38:17 发布

原创最新推荐文章于 2024-02-06 08:38:17 发布 · 864 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#sklearn #麦子学院

Machine Learning 同时被 2 个专栏收录

14 篇文章

订阅专栏

sklearn

13 篇文章

订阅专栏

本文介绍使用Python的Sklearn库中的神经网络模块进行手写数字识别的过程。从加载数据集开始，通过预处理、模型训练到最终的性能评估，详细展示了神经网络在数字识别任务上的应用。实验采用logistic激活函数，经过10000次迭代训练，最终通过混淆矩阵和分类报告展示模型的预测效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习sklearn之neuralnetwork

查看数据集

from sklearn.datasets import load_digits
 
digits= load_digits()
print(digits.data.shape)
 
import pylab as pl
pl.gray()
pl.matshow(digits.images[0])
pl.show()

进行训练

from sklearn.preprocessing import LabelBinarizer
from NeuralNetwork import NeuralNetwork
from sklearn.cross_validation import train_test_split
from sklearn.datasets import load_digits
import numpy as np
from sklearn.metrics import confusion_matrix,classification_report

digits = load_digits()
x= digits.data
y = digits.target
x -= x.min()
x /= x.max()

nn = NeuralNetwork([64,100,10],"logistic")
x_train,x_test,y_train,y_test = train_test_split(x,y)
label_train = LabelBinarizer().fit_transform(y_train)
label_test = LabelBinarizer().fit_transform(y_test)
print("start fitting..")
predictions = []
nn.fit(x_train, label_train, epochs=10000)
for i in range(x_test.shape[0]):
    o = nn.predict(x_test[i])
    predictions.append(np.argmin(o))
print (confusion_matrix(y_test,predictions))
print (classification_report(y_test,predictions))