15 手写数字识别

补缴作业：

 

2.机器学习相关数学基础

https://www.cnblogs.com/SZZZ/p/13126836.html

4.K均值算法--应用

https://www.cnblogs.com/SZZZ/p/13126782.html

5.线性回归算法

https://www.cnblogs.com/SZZZ/p/13126734.html

8、特征选择

https://www.cnblogs.com/SZZZ/p/13126701.html

12.朴素贝叶斯-垃圾邮件分类

https://www.cnblogs.com/SZZZ/p/13126609.html

13-垃圾邮件分类2

https://www.cnblogs.com/SZZZ/p/13126689.html

 

原因：因为我奶奶在网课开始的那个星期中风了，需要有人没日没夜照顾，我负责守夜。追究到底，还是我时间没有运用好，导致拖欠老师的作业，实属不对，望老师原谅，酌情给分。

 

1.手写数字数据集

• from sklearn.datasets import load_digits
• digits = load_digits()

from sklearn.datasets import load_digits
import numpy as np
digits = load_digits()
x_data = digits.data.astype(np.float32)
y_data = digits.target.astype(np.float32).reshape(-1, 1)

2.图片数据预处理

• x：归一化MinMaxScaler()
• y：独热编码OneHotEncoder()或to_categorical
• 训练集测试集划分
• 张量结构

  from sklearn.preprocessing import MinMaxScaler
  import numpy as np
  X_data = digits.data.astype(np.float32)   # 转换为32位浮点数
  scaler = MinMaxScaler()
  X_data = scaler.fit_transform(X_data)     # 归一化处理
  X = X_data.reshape(-1,8,8,1)              # 转为图片的格式
  X.shape  # 查看归一化后的数据大小

　　 

Y_data = digits.target.astype(np.float32).reshape(-1,1) # 将Y_data变为一列
from sklearn.preprocessing import OneHotEncoder
Y = OneHotEncoder().fit_transform(Y_data).todense()     # 对数据进行独热编码
print(Y)   #查看独热编码后的数据

 

　　

 

 

3.设计卷积神经网络结构

• 绘制模型结构图，并说明设计依据。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPool2D
import matplotlib.pyplot as plt
# 3.设计卷积神经网络结构
# 建立模型
model = Sequential()
ks = [3, 3]  # 卷积核
# 一层卷积
model.add(Conv2D(filters=16, kernel_size=ks, padding='same', input_shape=x_train.shape[1:], activation='relu'))
# 池化层
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
# 二层卷积
model.add(Conv2D(filters=32, kernel_size=ks, padding='same', activation='relu'))
# 池化层
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
# 三层卷积
model.add(Conv2D(filters=64, kernel_size=ks, padding='same', activation='relu'))
# 四层卷积
model.add(Conv2D(filters=128, kernel_size=ks, padding='same', activation='relu'))
# 池化层
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
# 平坦层
model.add(Flatten())
# 全连接层
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.25))
# 激活函数
model.add(Dense(10, activation='softmax'))
model.summary()

4.模型训练

• model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
• train_history = model.fit(x=X_train,y=y_train,validation_split=0.2, batch_size=300,epochs=10,verbose=2)

5.模型评价

• model.evaluate()
• 交叉表与交叉矩阵
• pandas.crosstab
• seaborn.heatmap