基本信息

---

下载

   友情提示：（无需注册或充值，赞助后即可获取资源下载链接）

---

     嘿，亲！知识可是无价之宝呢，但咱这精心整理的资料也耗费了不少心血呀。小小地破费一下，绝对物超所值哦！如有下载和支付问题，请联系我们QQ(微信同号)：813200300

本次赞助数额为： 1 元　

支付宝支付

微信支付

   源码介绍

---

使用神经网络识别手写体数字

使用sklearn.neural network.MLPClassifier类实现手写数字图片识别

ü  MPLClassifier是一个有监督学习算法，MPL又称多层感知机，除了输入和输出层，中间可以有多个隐含层。

ü  sklearn.externals,joblib.dump方法用于保存模型参数

ü  sklearn..externals.joblib.load方法用于从文件种装载模型参数构造一个MLPClassifier对象

ü  score方法用于估算正确率

训练数据：digits training.csv

测试数据：digits testing.csv

第1列是类别，其他列是特征属性实验步骤

1.   实验题目

1.   载入训练数据、分出特征属性和类别，对特征属性标准化，显示读入数据的行数

xTrain trainData:,1:NTrain]

yTrain trainData[:,0]

标准化函数

def normalizeData(X):

return (X -X.meanO)/X.max()

2.   构建多层感知机，训练模型

psolver='Ibfgs',alpha=le-5,hidden_layer_sizes=(48,24)

3.   保存训练模型名字为“mlp classifier model1.m"

4.   载入测试数据，分出特征属性和类别，对特征属性标准化，显示读入数据的行数

5.   使用模型对测试集进行预测，显示预测错误数据的数目和预测准确率

# 1. 载入训练数据、分出特征属性和类别，对特征属性标准化，显示读入数据的行数
import numpy as np
from sklearn.neural_network import MLPClassifier
import joblib
# 读入训练数据
print("1.载入训练数据")
trainData = np.loadtxt(open('digits_training.csv', 'r'), delimiter=",",skiprows=1)#装载数据
print("2.标准化训练数据")
MTrain, NTrain = np.shape(trainData)  #行列数
xTrain = trainData[:,1:NTrain]
xTrain_col_avg = np.mean(xTrain, axis=0) #对各列求均值
xTrain =(xTrain- xTrain_col_avg)/255  #归一化
yTrain = trainData[:,0]
print("装载训练数据",len(xTrain),"条")

# 构建多层感知机，训练模型

# psolver='lbfgs',alpha=le-5,hidden_layer_sizes=(48,24)

print("3.构建神经网络")

print("4.训练模型")

model = MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=(48, 24))

model.fit(xTrain,yTrain)

# 3.   保存训练模型名字为“mlp classifier model1.m"

print("5.训练完毕,保存模型")

joblib.dump(model,"mlp_classifier_model1.m")

# 4.    载入测试数据，分出特征属性和类别，对特征属性标准化，显示读入数据的行数
print("6.模型保存完毕，执行测试...")
print("7.载入测试数据....")
testData = np.loadtxt(open('digits_testing.csv', 'r'), delimiter=",",skiprows=1)
MTest,NTest = np.shape(testData)
print("测试集：",MTest,NTest)
print("8.标准化测试数据")
xTest = testData[:,1:NTest]
xTest = (xTest-xTrain_col_avg) /255   # 使用训练数据的列均值进行处理
yTest = testData[:,0]
print("装载测试数据：",len(xTest),"条")
print("9.使用模型进行预测....")
yPredict = model.predict(xTest)
errors = np.count_nonzero(yTest - yPredict) #返回非零项个数
print("预测完毕。错误：", errors, "条")

# 5.    使用模型对测试集进行预测，显示预测错误数据的数目和预测准确率
print("10.评价模型")
print("测试数据正确率:", (MTest - errors) / MTest)

.
└── 使用神经网络识别手写体数字.ipynb

0 directories, 1 file