Sklearn图像分类(基于MNIST数据集)_基于sklerarn的图像识别-CSDN博客

本文链接：https://blog.csdn.net/weixin_43754303/article/details/124910523

本文档介绍了一个使用MNIST数据集进行简单图像识别的项目。首先，通过pip安装numpy, opencv-python和scikit-learn等库，然后从Kaggle下载MNIST数据集。接着，读取数据并展示部分样本，将一维向量数据reshape为28x28的矩阵，并用matplotlib和seaborn进行图像显示。最后，利用sklearn的KNeighborsClassifier和SVC模型进行训练，并未展示训练准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

MNIST数据集是一个手写数字数据集，里面具有成百上千的手写字体数据，本次项目的内容就是使用MNIST数据集实现一个简单的图像识别任务。

首先通过如下命令下载本次项目所用到的数据包

#安装numpy
# pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
#安装opencv
# pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
#安装opencv
# pip install scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple

然后下载数据集，本次下载的数据集是从Kaggle上面下载的，直接访问kaggle网站搜索MNIST就能够看到本次的数据集了，下载网址如下：

Digit Recognizer | Kaggle

下载之后，我们开始编写主要的实现代码：

首先读入数据，然会对其进行显示：

import pandas as pd
test_frame = pd.read_csv(test_path)
train_frame = pd.read_csv(train_path)

之后切分样本和标签，如上数据所示，其中label是作为整个数据的标签，然后pixel0-783是样本数据的数据点：

    
import matplotlib.pyplot as plt

import numpy as np

train = train_frame.copy()
y = train['label']
X = train.drop(['label'],axis=1)

使用matpyplot显示图像，在csv中我们的样本使用一个一维向量的模式进行标识，但是我们知道图片一般是一个二维矩阵的形式，所以我们需要对他进行reshape操作，respahe成（28x28）的矩阵，然后对他进行显示：

import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(15,3))
plt.plot(1,1)

Xc = {i: X.loc[train_frame['label'] == i,:] for i in range(10)}

for i in range(30):
    plt.subplot(3,10,i+1)
    #转换为矩阵形式
    sns.heatmap(np.reshape(np.array(Xc[i%10].iloc[i//10,:]), (28,28)),
                xticklabels=False,yticklabels=False,cbar=False,cmap='binary')

使用sklearn封装的分类算法来训练我们的数据：


#导入模型，KNeighborsClassifier(knn),SVC(svcm)
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import LinearSVC,SVC


knn = KNeighborsClassifier(n_neighbors =10)
svc = SVC()
linear_svc =LinearSVC()

#3.8
# knn.fit(X,y)
knn.fit(X,y)
svc.fit(X,y)
linear_svc.fit(X,y)

查看训练的准确率：