机器学习——手写数字识别

0、：前言

这篇文章能够帮助你从数据到模型的整个过程实现
不过至于安装第三方库等基础问题，本文不涉及，因为确实不难，搜一搜一大把
本此实验运行环境为jupyter，当然通过pycharm也是可行的

1、数据：

手写数字共5000组数组
其中一共有0-9，10组数据，每一组中有500张对应的手写数字的图片
数据资料：
链接：https://pan.baidu.com/s/1gTi-0xjDjbVUK_p_AzkZrw
提取码：1234

2、数据预处理：

拿到数据后把数据解压到和代码同一级的目录当中
这部分重点是把图片数据转换为可以输入模型的二维数组型数据
用到的函数解答：
- plt.imshow()函数是matplotlib库中的一个函数，它用于显示图像。这个函数接受一个二维或三维的数组作为输入，表示图像的数据。然后，它将数组的值映射到颜色空间，以显示图像。在plt.imshow()函数中，cmap是一个参数，代表色彩映射（colormap）。在图像处理中，我们通常将图像表示为一个二维数组，数组的每个元素代表图像的一个像素。每个像素的值通常是一个介于0和255之间的整数，表示该像素的灰度级别。然而，我们通常不能直接看到这些数字，因为它们在视觉上可能没有明显的差别。相反，我们通常将每个像素的值映射到一个连续的色彩空间，这样我们就可以在屏幕上显示图像了。有许多不同的colormap可以选择，比如：‘gray’：灰度colormap、‘hot’：红色到白色的热图colormap、‘cool’：蓝色到绿色的colormap、‘Jet’：从蓝色到红色的colormap、‘hsv’：HSV色彩空间的colormap。
代码

# 尝试从文件中读一个数据出来
img = plt.imread('./手写数字识别/0/0_1.bmp')
display(img.shape) # img是一个二维数组
plt.imshow(img,cmap='gray')

3、实现：

代码

# 批量导入5000个图片数据
data = [] # 分类模型输入数据
target = [] # 分类模型输出数据

for i in range(10):
    for j in range(1,501):
        img = plt.imread(f'./手写数字识别/{i}/{i}_{j}.bmp')
        data.append(img)
        target.append(i)
# 此时data和target作为列表数据运算起来非常耗内存，所以先转为数组形式的数据方便处理，然后再改变维度
data = np.array(data).reshape(5000, -1)
target = np.array(target).reshape(5000, -1)
print('data的形状：',data.shape,'target的形状：',target.shape)

# 数据划分为训练集和测试集
from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(data,target,test_size=0.2) # 20%的测试集

# 导入模型
from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier()

# 训练数据
knn.fit(x_train,y_train)

# 查看模型得分，如果是pycharm就把下面代码放到print中
knn.score(x_test,y_test)

该模型最终结果为0.93
对结果进行可视化

# 随机挑选10个测试值画图查看预测结果
choice = np.random.randint(1,1000,10).tolist()
# 设置画布大小
plt.figure(figsize=(5*10,2*10))

for i in range(10):
    # 画子图
    re = plt.subplot(2,5,i+1)
    re.imshow(x_test[choice[i]].reshape(28,-1),cmap='gray')
     re.set_title(f'real:{y_test[choice[i]][0]},\npredict:{y_pred[choice[i]]}',fontsize=40,
                color = 'k' if y_test[choice[i]][0] == y_pred[choice[i]] else 'r')