python项目学习 分类算法 手写数字识别

 模型训练.py

from sklearn import datasets#sklearn自带数据集
import matplotlib.pyplot#matplotlib子库用于绘图
from sklearn.model_selection import train_test_split#sklearn子库用于数据切分，将数据集分为训练集/验证集/测试集
from sklearn.neural_network import MLPClassifier#sklearn中的神经网络模块MLPClassifier处理分类问题
import numpy
from sklearn.metrics import precision_score##sklearn中的模型评估指标
import joblib

def draw(digits):#矩阵转图片显示
    for i in range(64):#只作部分绘图操作即可
        matplotlib.pyplot.subplot(8,8,i+1)#格式化绘图，6行6列位置从1(i开始是0)开始
        matplotlib.pyplot.imshow(digits.images[i])#绘图
    matplotlib.pyplot.show()#显示

#数据集
digits=datasets.load_digits()#下载手写数据集合
print(digits)#是数字矩阵化的图片，以及相关的特征数据信息
print(digits.data.shape)#.shape读取矩阵的长度 1797个8*8大小的矩阵数据
print(digits.target.shape)#1797个标签
print(digits.images.shape)#1797个8*8的图片
#数据集可视化
draw(digits)

#多层感知机算法(人工神经网络)
#划分数据
data=digits.data#特征数据
target=digits.target#标签数据
data_train,data_test,target_train,target_test=train_test_split(data,target,test_size=0.1)#data与target是一一对应关系，故同时划分 10%用于测试，剩余90%用于训练
#训练分类模型
model=MLPClassifier()
model.fit(data_train,target_train)#model.fit()将训练数据在模型中训练一定次数，返回loss和测量指标
target_predict=model.predict(data_test)#验证分类模型的预测结果
print("预测结果:",target_predict)
print("data对应target:",target_test)

#计数准确率
error=numpy.nonzero(target_test-target_predict)#numpy.nonzero()返回的是数组中，非零元素的位置。 检测训练效果
print("error:",error)
accuracy0= 1 - len(error[0]) / len(target_test)
print("模型准确率：", accuracy0)
accuracy1=precision_score(target_test,target_predict,average=None)
print("模型准确率：",accuracy1)#识别对应标签数据(0~9)的准确率

joblib.dump(model, '手写数字识别模型.joblib')#保存模型

测试.py 

import joblib
import numpy
import cv2
import matplotlib.pyplot

image=cv2.imread('number9.png', 0)#图像读取
matplotlib.pyplot.imshow(image)
matplotlib.pyplot.show()
#初始化
image=255-image#颜色反转
print(image)
data_test=numpy.append(image[0],image[1])
for i in range(2,8):
    data_test=numpy.append(data_test,image[i])
data_test=numpy.array([data_test])
data_test=data_test.astype(numpy.float64)
print(data_test,type(data_test))

model=joblib.load('手写数字识别模型.joblib')#导入模型
predict=model.predict(data_test)#预测识别
print("识别结果：",predict)

 再训练.py

from sklearn import datasets#sklearn自带数据集
from sklearn.model_selection import train_test_split#sklearn子库用于数据切分，将数据集分为训练集/验证集/测试集
import numpy
from sklearn.metrics import precision_score##sklearn中的模型评估指标
import joblib

digits=datasets.load_digits()
data=digits.data#特征数据
target=digits.target#标签数据
data_train,data_test,target_train,target_test=train_test_split(data,target,test_size=0.1)

model = joblib.load('手写数字识别模型.joblib')
model.fit(data_train,target_train)
target_predict=model.predict(data_test)#验证分类模型的预测结果
print("预测结果:",target_predict)
print("data对应target:",target_test)

#计数准确率
error=numpy.nonzero(target_test-target_predict)#numpy.nonzero()返回的是数组中，非零元素的位置。 检测训练效果
print("error:",error)
accuracy0= 1 - len(error[0]) / len(target_test)
print("模型准确率：", accuracy0)
accuracy1=precision_score(target_test,target_predict,average=None)
print("模型准确率：",accuracy1)#识别对应标签数据(0~9)的准确率

joblib.dump(model, '手写数字识别模型.joblib')#保存模型

运行结果

模型训练.py

测试.py

使用电脑自带画图工具制作测试数据，图像属性与8×8（与数据集一致）

再训练.py

多做再训练能避免模型识别的偶然性