Pyhton实现决策树算法 MNIST数据集

最新推荐文章于 2024-05-23 14:34:14 发布
最新推荐文章于 2024-05-23 14:34:14 发布
阅读量4k 收藏 12
点赞数 1
分类专栏： 算法 python 机器学习 决策树
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35170267/article/details/84292907
版权

Pyhton实现决策树算法 MNIST数据集

决策树是一种比较接近人类思维方式的算法，将样本通过每个特征值的信息增益进行划分，从而保证每个划分之后的结果信息熵的消减量达到最大。具体的原理请大家自己查找相关资料。

sklearn实现代码如下, 准确率可以达到90%左右。

from sklearn import tree
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data', one_hot=Fal
最低0.47元/天 解锁文章
菜鸡儿的架构师之路
关注
  • 1
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
mnist数据集svm python_python支持向量机分类MNIST数据集
weixin_39845613的博客
02-07 500
支持向量机在高维或无限维空间中构造超平面或超平面集合，其可以用于分类、回归或其他任务。直观来说，分类边界距离最近的训练数据点越远越好，因为这样可以缩小分类器的泛化误差。调用sklearn.svm的svc函数，将MNIST数据集进行分类，并将整体分类精度输出，这里用了两种预处理的方法(将特征值变成0或者1的数；将特征值变成0-1区间的数)效果不一样，并且分别调用了两种核函数(高斯核函数和多项式核函数...
机器学习之分类算法，mnist手写体识别的python实战（一）
sanyiji的博客
04-26 4203
今天我们来学习机器学习之分类算法，MNIST手写体识别的python实战。 目录一、MNIST数据集二、python代码实战1.查看MNIST数据2.分类算法2.1训练一个二分类器2.2评估分类器使用交叉验证测量精度混淆矩阵精度和召回率精度和召回率权衡ROC曲线 一、MNIST数据集 首先来介绍一下什么是MNIST。 这是一组由美国高中生和人口调查局员工手写的70000个数字的图片。每张图像都用其...
决策树算法实现(使用MNIST数据集)_Python环境
09-11
在Python3环境下使用MNIST数据集进行决策树算法的训练，对《统计学习》中第五章内容进行复现性练习。
基于Python的MNIST数据集分类
毕业作品网站
05-10 1121
神经网络作业一实验报告 使用了 tensorflow 框架，参考了官方手册和教程进行实现，搭建了一个多层感知机对 MNIST 数据集进行分类。main.py 是入口函数，负责读取 MNIST 数据、调用各项学习方法、并绘制最后的性能图。MLP 相关代码位于 baseline.py，实现了一个单隐层的多层感知机，采用 sigmoid 激活函数，训练轮数为 50 轮。 其余文件均为 baseline 的变体，修改了对应的需要对比的点。 一、如何运行 运行 main.py 即可。 方法 50 轮后的测试集
Ref A: Ref B: Ref: C Error in Bing Search using Microsoft Edge
最新发布
sunshine_boy1的博客
05-23 4409
Ref A: Ref B: Ref: C Error in Bing Search using Microsoft Edge
mnist手写数字识别python_基于Tensorflow的MNIST手写数字识别分类
weixin_39926943的博客
12-03 193
本文实例为大家分享了基于Tensorflow的MNIST手写数字识别分类的具体实现代码，供大家参考，具体内容如下代码如下：import tensorflow as tfimport numpy as npfrom tensorflow.examples.tutorials.mnist import input_datafrom tensorflow.contrib.tensorboard.plug...
python实现mnist手写数字识别
chenfang0529的博客
07-17 8609
看了《python神经网络编程》，跟着书上敲了一下mnist手写数字的代码，对神经网络有了初步的了解。 此项目为三层神经网络识别，激活函数采用sigmoid函数，数据集为mnist手写数字集，训练集包括60000个样本，测试集10000个样本。 第一部分,创建神将网络模型 import numpy import matplotlib.pyplot #%matplotlib inline用在Jupyter notebook中（代替plt.show()）,使用%matplotlib命令可以将matplo
python kNN算法实现MNIST数据集分类 k值1-120
03-14
python kNN算法实现MNIST数据集分类 k值1-120
机器学习实践案例，mnist数据集，KNN算法分类、决策树分类Iris数据集、朴素贝叶斯分类西瓜数据集、逻辑斯蒂回归，随机梯度
06-21
机器学习实践案例，mnist数据集，KNN算法分类、决策树分类Iris数据集、朴素贝叶斯分类西瓜数据集、逻辑斯蒂回归，随机梯度 mnist数据集，KNN算法分类。 决策树分类Iris数据集（鸢尾花）。 朴素贝叶斯分类西瓜数据集...
python 决策树算法的实现
12-16
数据集：Mnist 训练集数量：60000 测试集数量：10000 ------------------------------ 运行结果：ID3(未剪枝) 正确率：85.9% 运行时长：356s ''' import time import numpy as np def loadData(fileName): ''' ...
MNIST数据集csv格式
07-18
在提供的文件中，`mnist_train.csv`和`mnist_test.csv`是CSV格式的MNIST数据集，这种格式使得数据更容易被各种编程语言如Python的Pandas库读取和处理。每行数据通常包含一个数字标签和相应的28x28像素图像的像素值，...
Python决策树分类算法学习
12-23
从这一章开始进入正式的算法学习。 首先我们学习经典而有效的分类算法：决策树分类算法。 1、决策树算法 决策树用树形结构对样本的属性进行分类，是最直观的分类算法，而且也可以用于回归。不过对于一些特殊的逻辑分类会有困难。典型的如异或（XOR）逻辑，决策树并不擅长解决此类问题。 决策树的构建不是唯一的，遗憾的是最优决策树的构建属于NP问题。因此如何构建一棵好的决策树是研究的重点。 J. Ross Quinlan在1975提出将信息熵的概念引入决策树的构建，这就是鼎鼎大名的ID3算法。后续的C4.5, C5.0, CART等都是该方法的改进。 熵就是“无序，混乱”的程度。刚接触这个概念可能会有些
kaggle竞赛中关于MNIST数据集的input
04-25
总的来说，MNIST数据集是机器学习初学者和专家的宝贵资源，它提供了一个简单但有挑战性的任务，可以用来展示和比较各种算法的性能。通过参与Kaggle这样的竞赛，你可以不断磨练你的技能，了解最新的机器学习技术，并...
深度学习&机器学习——c4.5决策树进行mnist数据集划分 预剪枝
wangdiedang的博客
06-17 563
深度学习&机器学习——c4.5决策树进行mnist数据集划分 预剪枝 包含数据降维和可视化
python调用数据集mnist_使用MNIST数据集进行分类
weixin_36471865的博客
02-04 1625
本文是对书《机器学习实战：基于Scikit-Learn和Tensorflow》第三章的知识学习以及代码复现，欢迎大家一起学习一起进步。获取数据集提前将MNIST数据集下载好，并放在’\scikit_learn_data’目录之下from sklearn.datasets import fetch_mldatamnist = fetch_mldata('MNIST original', data_h...
使用Decision Tree对MNIST数据集进行实验
aizhao3648的博客
12-08 174
使用的Decision Tree中，对MNIST中的灰度值进行了0/1处理，方便来进行分类和计算熵。 使用较少的测试数据测试了在对灰度值进行多分类的情况下，分类结果的正确率如何。实验结果如下。 #Test change pixel data into more categories than 0/1:#int(pixel)/50: 37%#int(pixel)/64: 45.9%#i...
深度学习入门-mnist数据集
weixin_45720751的博客
10-03 1623
深度学习入门-基于python的理论与实现 3.6.1 MNIST数据集 我使用的是pyhcharm 可以直接通过setting里Install tensorflow模块导入mniset数据集 tensorflow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库 MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片 数据集被分成两部分：60000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）。 每一个MNIST数据单元有
利用Python对MNIST手写数据集进行数字识别（初学者入门级）
热门推荐
仲子_real
10-08 3万+
本文利用Python语言，在Jupyter Notebook进行程序编写，通过神经网络学习算法对MNIST手写数据集进行数字识别，并且对学习率（learning rate）、节点数（nodes）进行分析，找出最佳的学习率和节点数，使得神经网络对数字识别的准确率达到0.9744
SVM对MNIST数据集分类——python实现
qq_36293056的博客
02-04 5561
python实现SVM分类且进行调参 问题描述 从 MNIST 数据集中任意选择两类，对其进行 SVM 分类，可调用现有的 SVM 工具如 LIBSVM，展示超参数 C 以及核函数参数的选择过程。 求解过程 第一步:数据集下载，代码如下: mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() 第二步:选定核函数为 RBF 第三步:手动进行调参，调参过程如下，显示的准确率是测试集的，可
使用决策树算法实现mnist数据集的读取和显示、数据集的划分、算法实现、结果预测完整代码
06-03
抱歉，我是一个自然语言处理模型，无法提供代码功能。但是，我可以为您提供一些参考信息来实现您的要求。 使用决策树算法实现MNIST数据集的读取和显示、数据集的划分、算法实现、结果预测需要以下步骤： 1. 读取和显示MNIST数据集：MNIST数据集可以通过Python中的一些库来读取和显示，例如numpy，matplotlib。您可以使用以下代码读取并显示MNIST数据集： ``` import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import fetch_openml # Load MNIST dataset mnist = fetch_openml('mnist_784') # Split dataset into features and labels X, y = mnist.data, mnist.target # Reshape data to 28x28 images X = X.reshape((-1, 28, 28)) # Display first image in the dataset plt.imshow(X[0], cmap='gray') plt.title('Label: {}'.format(y[0])) plt.show() ``` 2. 数据集的划分：您可以使用sklearn库中的train_test_split函数将数据集划分为训练集和测试集。以下是一个示例代码： ``` from sklearn.model_selection import train_test_split # Split dataset into training and testing sets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 3. 决策树算法实现：您可以使用sklearn库中的DecisionTreeClassifier类来实现决策树算法。以下是一个示例代码： ``` from sklearn.tree import DecisionTreeClassifier # Create decision tree classifier clf = DecisionTreeClassifier() # Train classifier on training data clf.fit(X_train.reshape((-1, 28*28)), y_train) ``` 4. 结果预测：使用训练好的决策树模型对测试数据进行预测，并计算准确率。以下是一个示例代码： ``` from sklearn.metrics import accuracy_score # Predict labels for testing data y_pred = clf.predict(X_test.reshape((-1, 28*28))) # Calculate accuracy of predictions accuracy = accuracy_score(y_test, y_pred) print('Accuracy: {:.2f}%'.format(accuracy*100)) ``` 以上是使用决策树算法实现MNIST数据集的读取和显示、数据集的划分、算法实现、结果预测的基本步骤和示例代码。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值