机器学习这样学会更简单

数据准备

由于自己没有完整的手写数字集，故采用MNIST手写数字字符库进行训练和识别，这里给出MNIST字符库官方网站:
http://yann.lecun.com/exdb/mnist/
由于是国外的网站，可能会遇到进不去的情况，又是进去也会一直转圈，下载不到东西。不过没关系啦，小编已经给大家准备好的数据集，具体获取方法见文章末尾。

图片数据导入

读取图片数据

这里选取6000张图像（0到9每个数字600张）来训练模型

train_fileName='D:\Desktop\matlab_code\machine_learning\handwritting_recognize\train_images\'; 
train_Files = dir(strcat(train_fileName,'*.bmp')); 
LengthFiles = length(train_Files); 
train_img_arr=[]; 
for i = 1:LengthFiles 
    srcimg = imread(strcat(train_fileName,train_Files(i).name)); 
    img_arr = reshape(srcimg, 1, numel(srcimg)); %图像展开为一行 
    img_arr=double(img_arr);
    train_img_arr=[train_img_arr;img_arr]; 
end

建立数字标签

建立数字标签生成一个1到10的矩阵

 y= [0, 1:9];

重新建立一个矩阵，以ylabel为基础单位，建立一个大小为$600\times 1$，即新矩阵A大小为$600\times 10$

A=repmat(y,600,1);

将A转换为一列

label = reshape(A,6000,1);

随机显示（visualize）六张手写数字

figure(1)
for ii = 1:6
    subplot(2,3,ii)
    rand_num = randperm(6000,1);%randperm(8,4)意思是从1到8之间的整数中随机输出四个整数
    image(reshape(train_img_arr(rand_num,:),28,28))
    title((label(rand_num)),'FontSize',20)%这里还有问题，需要完善，改正
    axis off
end
colormap gray  %将颜色设置为二值颜色，即白色慢慢变黑

训练模型

训练数据的划分

这里我们需要把训练数据做一个预处理，因为接下来训练模型选用的是matlab自带的 classification learner app,输入的训练数据需要和其对应的标签一起输入，因此，对原始的训练数据后再加一列标签栏。由于classification learner app 要求输入的数据类型为table,对矩阵列表使用array2table()函数将其转换为table型。

train_img=[train_img_arr,label];
train=array2table(train_img);

使用classification learner app进行数据训练

在matlab菜单栏App中找到classification learner 或者直接在命令窗口输入

Classification Learner

打开。界面如下：

点击新建会话，选择从工作区导入数据。然后在弹出的窗口里找到工作区变量，点击 input ，选择train,如下图：

上图中有几点设计到算法，例如交叉验证、留出法验证，具体的介绍将在以后的博文中详细介绍。然后点击右下角的开始会话，出现如下图：

由于我这篇博文的目的是教会大多数使用matlab进行机器学习的初学者快速入门，因此，就简化算法的说明和描述，但要说明的是，算法对每一个项目是至关重要的。
然后，我们在上面视图菜单栏中找到模型类型，点击右边朝下的黑色小箭头，然后选择全部，再点击使用并行，再点击右边的训练，出现下图：
上图显示模型正在训练。训练结束后，我们发现三次SVM 模型的准确度最好，达到了94.2%，查看其混淆矩阵：


然后我们点击导出，分别导出训练好的模型和生成相应的函数：
导出的模型为一个结构体，

包括训练函数 ClassificationSVM ，和预测函数predictFcn。
生成的函数如下：

function [trainedClassifier, validationAccuracy] = trainClassifier(trainingData)
% [trainedClassifier, validationAccuracy] = trainClassifier(trainingData)
% 返回经过训练的分类器及其准确度。以下代码重新创建在 Classification Learner App 中训
% 练的分类模型。您可以使用该生成的代码基于新数据自动训练同一模型，或通过它了解如何以程序化方
% 式训练模型。
%
%  输入:
%      trainingData: 一个所含预测变量和响应列与导入 App 中的相同的表。
%
%  输出:
%      trainedClassifier: 一个包含训练的分类器的结构体。该结构体中具有各种关于所训练分
%       类器的信息的字段。
%
%      trainedClassifier.predictFcn: 一个对新数据进行预测的函数。
%
%      validationAccuracy: 一个包含准确度百分比的双精度值。在 App 中，"历史记录" 列
%       表显示每个模型的此总体准确度分数。
%
% 使用该代码基于新数据来训练模型。要重新训练分类器，请使用原始数据或新数据作为输入参数
% trainingData 从命令行调用该函数。
%
% 例如，要重新训练基于原始数据集 T 训练的分类器，请输入:
%   [trainedClassifier, validationAccuracy] = trainClassifier(T)
%
% 要使用返回的 "trainedClassifier" 对新数据 T2 进行预测，请使用
%   yfit = trainedClassifier.predictFcn(T2)
%
% T2 必须是一个表，其中至少包含与训练期间使用的预测变量列相同的预测变量列。有关详细信息，请
% 输入:
%   trainedClassifier.HowToPredict

% 由 MATLAB 于 2020-03-06 11:11:26 自动生成


% 提取预测变量和响应
% 以下代码将数据处理为合适的形状以训练模型。
%
inputTable = trainingData;
predictorNames = {
   'train1', 'train2', 'train3', 'train4', 'train5', 'train6', 'train7', 'train8', 'train9', 'train10', 'train11', 'train12', 'train13', 'train14', 'train15', 'train16', 'train17', 'train18', 'train19', 'train20', 'train21', 'train22', 'train23', 'train24', 'train25', 'train26', 'train27', 'train28', 'train29', 'train30', 'train31', 'train32', 'train33', 'train34', 'train35', 'train36', 'train37', 'train38', 'train39', 'train40', 'train41', 'train42', 'train43', 'train44', 'train45', 'train46', 'train47', 'train48', 'train49', 'train50', 'train51', 'train52', 'train53', 'train54', 'train55', 'train56', 'train57', 'train58', 'train59', 'train60', 'train61', 'train62', 'train63', 'train64', 'train65', 'train66', 'train67', 'train68', 'train69', 'train70', 'train71', 'train72', 'train73', 'train74', 'train75', 'train76', 'train77', 'train78', 'train79', 'train80', 'train81', 'train82', 'train83', 'train84', 'train85', 'train86', 'train87', 'train88', 'train89', 'train90', 'train91', 'train92',