如何模式识别与人工智能简单的手写数字

来源：蜘蛛抓取(WebSpider) 时间：2017-11-09 06:08 标签： 模式识别与智能系统
503 Service Temporarily Unavailable
503 Service Temporarily Unavailable
openresty/1.11.2.4 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
一种简单有效的手写体数字特征提取算法
下载积分：1000
内容提示：一种简单有效的手写体数字特征提取算法
文档格式：PDF|
浏览次数：115|
上传日期： 20:31:24|
文档星级：
全文阅读已结束，如果下载本文需要使用
 1000 积分
下载此文档
该用户还上传了这些文档
一种简单有效的手写体数字特征提取算法
关注微信公众号机器学习python实战之手写数字识别
作者：嗜血的草
字体：[ ] 类型：转载 时间：
这篇文章主要为大家详细介绍了机器学习python实战之手写数字识别，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
看了上一篇内容之后，相信对K近邻算法有了一个清晰的认识，今天的内容——手写数字识别是对上一篇内容的延续，这里也是为了自己能更熟练的掌握k-NN算法。
我们有大约2000个训练样本和1000个左右测试样本，训练样本所在的文件夹是trainingDigits，测试样本所在的文件夹是testDigits。文本文件中是0~9的数字，但是是用二值图表示出来的，如图。我们要做的就是使用训练样本训练模型，并用测试样本来检测模型的性能。
首先，我们需要将文本文件中的内容转化为向量，因为图片大小是32*32，所以我们可以将其转化为1*1024的向量。具体代码实现如下：
def img2vector(filename):
imgVec = zeros((1,1024))
file = open(filename)
for i in range(32):
lines = file.readline()
for j in range(32):
imgVec[0,32*i+j] = lines[j]
return imgVec
实现了图片到向量的转化之后，我们就可以对测试文件中的内容进行识别了。这里的识别我们可以使用上一篇中的自定义函数classify0，这个函数的第一个参数是测试向量，第二个参数是训练数据集，第三个参数是训练集的标签。所以，我们首先需要将训练数据集转化为（）的矩阵，1934这里是训练集的组数即trainingDigits目录下的文件数，其对应的标签转化为（1*1934）的向量。之后要编写的代码就是对测试数据集中的每个文本文件进行识别，也就是需要将每个文件都转化成一个（1*1024）的向量，再传入classify0函数的第一个形参。整体代码如下：
def handWriteNumClassTest():
NumLabels = []
TrainingDirfile = listdir(r'D:\ipython\num_recognize\trainingDigits')#文件目录
L = len(TrainingDirfile)
#该目录中有多少文件
TrainMat = zeros((L,1024))
for i in range(L):
file_n = TrainingDirfile[i]
fileName = file_n.split('.')[0]
ClassName = int(file_n.split('_')[0])
NumLabels.append(ClassName)
TrainMat[i,:] = img2vector(r'D:\ipython\num_recognize\trainingDigits\%s'%file_n)
TestfileDir = listdir(r'D:\ipython\num_recognize\testDigits')
error_cnt = 0.0
M = len(TestfileDir)
for j in range(M):
Testfile = TestfileDir[j]
TestfileName = Testfile.split('.')[0]
TestClassName = int(Testfile.split('_')[0])
TestVector = img2vector(r'D:\ipython\num_recognize\testDigits\%s'%Testfile)
result = classify0(TestVector,TrainMat,NumLabels,3)
print('the result is %d,the real answer is %d\n'%(result,TestClassName))
if result!=TestClassName:
error_cnt+=1
print('the total num of errors is %f\n'%error_cnt)
print('the error rate is %f\n'%(error_cnt/float(M)))
这里需要首先导入listdir方法，from os import listdir，它可以列出给定目录的文件名。对于测试的每个文件，如果识别的分类结果跟真实结果不一样，则错误数+1，最终用错误数/测试总数 来表示该模型的性能。下面给出结果
这里测试的总共946个项目中，一共有10个出现了错误，出错率为1%，这个性能还是可以接受的。有了上一篇内容的理解，这篇就简单多了吧！
训练数据集和测试集
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
您可能感兴趣的文章:
大家感兴趣的内容
12345678910
最近更新的内容
常用在线小工具

我要回帖

更多关于 模式识别与智能系统 的文章

 

随机推荐