用PCA算法对手写数字数据降维

最新推荐文章于 2023-07-29 23:00:43 发布
最新推荐文章于 2023-07-29 23:00:43 发布
阅读量1.1k 收藏 11
点赞数 1
文章标签： 算法 sklearn 机器学习
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/weixin_51772689/article/details/120634856
版权
本文介绍了如何使用PCA算法对手写数字数据进行降维处理。通过sklearn.datasets.load_digits()加载1797个8*8像素的手写数字图像，展示了数据的基本情况。PCA分析显示，当降至30维时，信息保留量达到96.3%。接着，应用随机森林算法进行分类，数据被划分为训练集和测试集。在训练集上得分1，测试集得分0.96。实验揭示了降维与测试集分数的关系，10维以上时，学习曲线稳定在0.9以上的准确率。
摘要由CSDN通过智能技术生成

sklearn数据集中手写数字数据集sklearn.datasets.load_digits()包含1797个手写数字图片，首先导入数据

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.ensemble import RandomForestClassifier
digits=load_digits()
data=pd.DataFrame(digits['data'],columns=digits['feature_names'])
label=digits['target']

每个图片是8*8=64个像素，也就是64维数据对应1个标签，现在看一下前20张图

fig,ax=plt.subplots(2,10,figsize=(10,2),subplot_kw={'xticks':[],'yticks':[]})
for i,axi in enumerate(ax.flatten()):
    axi.imshow(digits['images'][i,:,:],cmap='gray')
plt.show()

用PCA对数据进行降维，先画维度与信息保留量之间的关系


                

        

    

  


        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        


    

      

        

            

              
                
                  chyuan@shao
                
              
            

            

                关注
              
            

        

        

          
      

      









              

                

              

            
              



	

		

			

				
					
PCA+mnist_PCA降维；KNN分类；mnist手写体_pypcaminist_K._python_MNIST降维_

				
			

			

				

					10-03
				

			

		

		

			
				
在这个项目中，PCA被应用在MNIST手写数字数据集上，这个数据集包含大量的二维图像，每个图像表示一个0到9的手写数字。  MNIST数据集由两部分组成：训练集（train）和测试集（test）。给定的文件`train-images-idx3-...

			
		

	



              


  
              

                


	

		

			

				
					
minst手写数字数据集

				
			

			

				

					03-28
				

			

		

		

			
				
此资源包含四个压缩包，分别是mnist训练集图像数据，训练集标签，测试集图像，测试集标签,可以用于机器学习中的数据集

			
		

	





	

		

			

				
					
KNN / SVM 手写数字识别-PCA降维

				
			

			

				

					夏尔的小木屋
				

				

					04-16
					
					3168
					
				

			

		

		

			
				
一.	问题分析采用机器学习算法对usps和mnist两个数据集完成手写数字识别任务。1.1.	数据集介绍MNIST MNIST 数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST)。训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普...

			
		

	



		

			
		



	

		

			

				
					
scikit-learn中PCA的使用方法

					
热门推荐

				
			

			

				

					wepon的专栏
				

				

					12-27
					
					16万+
					
				

			

		

		

			
				
scikit-learn中PCA的使用方法



@author：wepon
@blog：http://blog.csdn.net/u012162613/article/details/42192293


在前一篇文章 主成分分析(PCA) 中，我基于python和numpy实现了PCA算法，主要是为了加深对算法的理解，算法的实现很粗糙，实际应用中我们一般调用成熟的包，本文就结束

			
		

	





	

		

			

				
					
PCA降维+SVM/DNN训练手写数字数据集

				
			

			

				

					我在浪里
				

				

					09-10
					
					1390
					
				

			

		

		

			
				
总是搜不到自己想要的程序。。。。emmm，那就自己写咯


import numpy as np
import pandas as pd 
import seaborn as sns
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
import matplotlib
import random
import tens...

			
		

	





	

		

			

				
					
机器学习（四）对PCA降维后的手写体数字图片数据分类

				
			

			

				

					weixin_49041703的博客
				

				

					12-03
					
					3212
					
				

			

		

		

			
				
机器学习（四）对PCA降维后的手写体数字图片数据分类
一： 实验内容： 使用sklearn.decomposition的PCA类对手写体数字图片数据进行降维；使用sklearn.neural_network的MLPClassifier类对降维后的数据训练分类模型，对测试数据进行分类，要求分类准确率达到80%以上。
from sklearn.neural_network import MLPClassifier
from sklearn.decomposition import PCA
import nump

			
		

	





	

		

			

				
					
案例：PCA对手写数字数据集的降维

				
			

			

				

					m0_50572604的博客
				

				

					10-30
					
					2685
					
				

			

		

		

			
				
文章目录前言PCA对手写数字数据集的降维1. 导入需要的模块和库2.导入数据，探索数据3.画累计方差贡献率曲线，找最佳降维后维度的范围4.降维后维度的学习曲线，继续缩小最佳维度的范围5. 细化学习曲线，找出降维后的最佳维度6. 导入找出的最佳维度进行降维，查看模型效果7.特征数量已经不足原来的3%，换模型怎么样？8. KNN的k值学习曲线9.定下超参数后，模型效果如何总结

前言
使用手写数字集来进行降维，进行对比

PCA对手写数字数据集的降维
在特征选择时用的此数据集，数据集结构为(42000, 78.

			
		

	





	

		

			

				
					
python机器学习之降维算法PCA对手写数字数据集的降维案例

				
			

			

				

					sjjsaaaa的博客
				

				

					12-02
					
					1985
					
				

			

		

		

			
				
PCA对手写数字数据集的降维案例
数据集获取地址:->这里下载
导入需要的模块和库
from sklearn.decomposition import PCA
from sklearn.ensemble import RandomForestClassifier as RFC
from sklearn.model_selection import cross_val_score
import matplotlib.pyplot as plt
import pandas as pd
import num

			
		

	





	

		

			

				
					
PCA对手写数字数据集的降维

					
最新发布

				
			

			

				

					qq_30895747的博客
				

				

					07-29
					
					605
					
				

			

		

		

			
				
PCA对手写数字数据集的降维提高效率

			
		

	





	

		

			

				
					
Matlab的PCA降维——以Mnist手写数据为例

				
			

			

				

					weixin_45734379的博客
				

				

					11-22
					
					2816
					
				

			

		

		

			
				
本学期有一门《超高维度数据分析》的课程，老师给了一些代码有助于我们消化理论知识

			
		

	





	

		

			

				
					
机器学习实验：主成分分析法PCA实现手写数字数据集的降维

				
			

			

				

					m0_46553432的博客
				

				

					05-10
					
					3550
					
				

			

		

		

			
				
实现PCA算法实例2，要求：
1、实现手写数字数据集的降维；
2、比较两个模型（64维和10维）的准确率；
3、对两个模型分别进行10次10折交叉验证，绘制评分对比曲线。
机器学习实验：主成分分析法PCA实现手写数字数据集降维和分类
...

			
		

	





	

		

			

				
					
scikit-learn中的主成分分析（PCA）的使用

				
			

			

				

					weixin_33885676的博客
				

				

					04-26
					
					1112
					
				

			

		

		

			
				
1、函数原型及参数说明

class sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)

参数说明：
n_components:  

意义：PCA算法中所要保留的主成分个数n，也即保留下来的特征个数n
类型：int 或者 string，缺省时默认为None，所有成分被保留。
       ...

			
		

	





	

		

			

				
					
sklearn机器学习之PCA降维案例二（手写数字图片降维）

				
			

			

				

					m0_45184077的博客
				

				

					03-10
					
					1057
					
				

			

		

		

			
				
1.导入相应包
from sklearn.decomposition import PCA
from sklearn.ensemble import RandomForestClassifier as RFC
from sklearn.model_selection import cross_val_score
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

2.准备数据集
data = pd.read_csv(

			
		

	





	

		

			

				
					
Python用稀疏、高斯随机投影和主成分分析PCA对MNIST手写数字数据进行降维可视化

				
			

			

				

					大数据部落
				

				

					08-27
					
					1525
					
				

			

		

		

			
				
降维是在我们处理包含过多特征数据的大型数据集时使用的，提高计算速度，减少模型大小，并以更好的方式将巨大的数据集可视化。这种方法的目的是保留最重要的数据，同时删除大部分的特征数据。

在这个教程中，我们将简要地学习如何用Python中的稀疏和高斯随机投影以及PCA方法来减少数据维度。读完本教程后，你将学会如何通过使用这些方法来降低数据集的维度。本教程包括。

准备数据
	高斯随机投影
	稀疏随机投影
	PCA投影
	MNIST数据投射


我们将从加载所需的库和函数开始。



准备数据
.........

			
		

	





	

		

			

				
					
【人工智能】机器学习及与智能数据处理之降维算法PCA及其应用手写识别【自定义数据集】

				
			

			

				

					qq_46556714的博客
				

				

					05-13
					
					995
					
				

			

		

		

			
				
import matplotlib.pyplot as plt
from pathlib import Path
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import classification_report
import requests
import pickle
import gzip
DATA_PATH = Path("data")
PATH 

			
		

	





	

		

			

				
					
matlab程序通过PCA降维实现手写数字识别

				
			

			

				

					weixin_53126566的博客
				

				

					09-18
					
					618
					
				

			

		

		

			
				
使用matlab实现PCA数据降维的全过程，实现对手写数字的识别

			
		

	





	

		

			

				
					
用PCA对带噪声的手写数字进行降维处理

				
			

			

				

					ximu__l的博客
				

				

					02-17
					
					334
					
				

			

		

		

			
				
用PCA对带噪声的手写数字进行降维处理，有完整代码展示

			
		

	





	

		

			

				
					
【人工智能之手写字体识别】机器学习及与智能数据处理之降维算法PCA及其应用手写字体识别

				
			

			

				

					qq_46556714的博客
				

				

					05-13
					
					2115
					
				

			

		

		

			
				
文章目录降维算法PCA及其应用利用PCA算法实现手写字体识别，要求：实验步骤1. 导入数据集2. 实现手写数字数据集的降维；3. 比较两个模型（64维和10维）的准确率；4. 对两个模型分别进行10次10折交叉验证，绘制评分对比曲线。代码详解结果：SVCPCA
降维算法PCA及其应用
利用PCA算法实现手写字体识别，要求：
1、实现手写数字数据集的降维；
2、比较两个模型（64维和10维）的准确率；
3、对两个模型分别进行10次10折交叉验证，绘制评分对比曲线。
实验步骤
1. 导入数据集
from skl

			
		

	





	

		

			

				
					
Python sklearn使用自带的数据集做手写体数字识别

				
			

			

				

					m0_49040755的博客
				

				

					12-23
					
					3704
					
				

			

		

		

			
				
代码如下，解析见注释
from numpy.core.fromnumeric import shape
from sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_digits
import os
from sklearn.model_selection import train_test_split
import numpy  as np
iris = load_digits()
x = iris['

			
		

	





	

		

			

				
					
给这些代码引入pca研究特征选择过程对不同算法分类器的影响：import numpy as np import matplotlib.pyplot as plt from sklearn.naive_bayes import GaussianNB from sklearn.datasets import load_digits from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from PIL import Image  # 加载手写数字数据集 digits = load_digits()  # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.3, random_state=42)  # 使用高斯朴素贝叶斯分类器进行训练 gnb = GaussianNB() gnb.fit(X_train, y_train)  # 对测试集进行预测 y_pred = gnb.predict(X_test)  # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print("Accuracy:", accuracy)  # 预处理手写数字图片并进行预测 image = Image.open("digit.jpg").convert("L") image = image.resize((8, 8)) image = np.array(image) image = image.reshape((64,)) prediction = gnb.predict([image]) print("Prediction:", prediction[0])  # 显示手写数字图片 plt.imshow(image.reshape((8,8)), cmap="gray") plt.show()

				
			

			

				

					06-10
				

			

		

		

			
				
可以使用sklearn中的PCA模块进行主成分分析。将数据进行降维处理，并选择合适的维度，然后再对分类器进行训练和预测。下面是代码示例：

```
from sklearn.decomposition import PCA

# 对训练集进行PCA降维处理
pca = PCA(n_components=0.95)
X_train = pca.fit_transform(X_train)
X_test = pca.transform(X_test)

# 使用高斯朴素贝叶斯分类器进行训练
gnb = GaussianNB()
gnb.fit(X_train, y_train)

# 对测试集进行预测
y_pred = gnb.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 对手写数字图片进行PCA降维处理
image = Image.open("digit.jpg").convert("L")
image = image.resize((8, 8))
image = np.array(image)
image = image.reshape((1, 64))
image = pca.transform(image)

# 进行预测
prediction = gnb.predict(image)
print("Prediction:", prediction[0])

# 显示手写数字图片
plt.imshow(np.array(image).reshape((8,8)), cmap="gray")
plt.show()
```

在上述代码中，我们设置PCA的参数n_components=0.95，表示保留原始数据的95%信息量，然后对训练集和测试集进行降维处理。接着，我们使用相同的高斯朴素贝叶斯分类器进行训练和预测。最后，对手写数字图片进行降维处理，并使用分类器进行预测。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 1

	

	
	




  

    

      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