python数字识别bayes_用朴素贝叶斯实现数字识别案例

此案例参考python数据科学手册，属于分类的一种，觉得挺有意思的。上代码

from sklearn.datasets import load_digits

import seaborn as sns

#导入数据

digits=load_digits()

X=digits.data

y=digits.target

print(digits.images.shape)

import matplotlib.pyplot as plt

#画子图

fig,axes=plt.subplots(10,10,figsize=(8,8)

,subplot_kw={'xticks':[],'yticks':[]}

,gridspec_kw=dict(hspace=0.1,wspace=0.1))

for i,ax in enumerate(axes.flat):

ax.imshow(digits.images[i],cmap='binary'

,interpolation='nearest')

ax.text(0.05,0.05,str(digits.target[i]),

transform=ax.transAxes,color='green')

plt.show()

#流行学习将数据降维到2维

from sklearn.manifold import Isomap

iso=Isomap(n_components=2)

iso.fit(digits.data)

data_projected=iso.transform(digits.data)

plt.scatter(data_projected[:,0],data_projected[:,1],c=digits.target,edgecolor='none',alpha=0.5

)

plt.colorbar(label='digit label',ticks=range(10))

plt.clim(-0.5,9.5)

plt.show()

#划分数据

from sklearn.model_selection import train_test_split

Xtrain,Xtest,ytrain,ytest=train_test_split(X,y,random_state=0)

#导入贝叶斯分类算法

from sklearn.naive_bayes import GaussianNB

model=GaussianNB()

model.fit(Xtrain,ytrain)

y_model=model.predict(Xtest)

#准确率评估

from sklearn.metrics import accuracy_score

print(accuracy_score(ytest,y_model))

#用混淆矩阵评估

from sklearn.metrics import confusion_matrix

mat=confusion_matrix(ytest,y_model)

sns.heatmap(mat,square=True,annot=True,cbar=False)

plt.xlabel('predicted value')

plt.ylabel('true value')

plt.show()

#预测后的图形与原始图比较

fig,axes=plt.subplots(10,10,figsize=(8,8),subplot_kw={'xticks':[],'yticks':[]},

gridspec_kw=dict(hspace=0.1,wspace=0.1))

test_images=Xtest.reshape(-1,8,8)

for i,ax in enumerate(axes.flat):

ax.imshow(digits.images[i], cmap='binary'

, interpolation='nearest')

ax.text(0.05, 0.05, str(y_model[i]),

transform=ax.transAxes, color='green' if (ytest[i]==y_model[i]) else 'red')

plt.show()

数据集的标签

降维到2维的效果

混淆矩阵判别分类效果

真实值与预测值的比较