机器学习》16-实验二手写体数字识别参考代码[3页]

2023-04-30 02:57:11 第一文档网 [ 字体：小中大 ] [

阅读： ] [

说明：文章内容仅供预览，部分内容可能不全。下载后的文档，内容与下面显示的完全一致。下载之前请确认下面内容是否您想要的，是否完整无缺。下载word有问题请添加QQ：admin处理，感谢您的支持与谅解。

【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《机器学习》16-实验二手写体数字识别参考代码[3页]》，欢迎阅读！
手写体,识别,机器,参考,实验

# encoding:utf-8

# 从sklearn.datasets里导入手写体数字加载器。

from sklearn.datasets import load_digits

# 从通过数据加载器获得手写体数字的数码图像数据 #并储存在digits变量中。

digits = load_digits()

# 检视数据规模和特征维度。

print(digits.data.shape)

#import matplotlib.pyplot as plt #plt.gray()

#plt.matshow(digits.images[0]) #plt.show()

# 从sklearn.cross_validation中导入train_test_split用于数据分割。

from sklearn.model_selection import train_test_split

# 随机选取75%的数据作为训练样本；其余25%的数据作为测试样本。

X_train, X_test, y_train, y_test = train_test_split(\

digits.data, digits.target, test_size=0.25, random_state=33) print(y_train.shape) print(y_test.shape)

# 从sklearn.preprocessing里导入数据标准化模块。

from sklearn.preprocessing import StandardScaler

# 从仍然需要对训练和测试的特征数据进行标准化。

ss = StandardScaler()

X_train = ss.fit_transform(X_train) X_test = ss.transform(X_test)

from sklearn.linear_model import LogisticRegression,SGDClassifier lgr = LogisticRegression() lgr.fit(X_train, y_train)

lgr_predict = lgr.predict(X_test)

sgc = SGDClassifier() sgc.fit(X_train, y_train)

sgc_predict = sgc.predict(X_test)

# 从sklearn.svm里导入基于线性假设的支持向量机分类器LinearSVC。

from sklearn.svm import LinearSVC,SVC,NuSVC

# 初始化线性假设的支持向量机分类器LinearSVC。

lsvc = LinearSVC(max_iter=3000)

#进行模型训练

lsvc.fit(X_train, y_train)

# 利用训练好的模型对测试样本的数字类别进行预测， #预测结果储存在变量y_predict中。

lsvc_predict = lsvc.predict(X_test)

svc = SVC()

svc.fit(X_train, y_train)

svc_predict = svc.predict(X_test)

nusvc = NuSVC()

nusvc.fit(X_train, y_train)

nusvc_predict = nusvc.predict(X_test)

from sklearn.neighbors import KNeighborsClassifier kneighbor = KNeighborsClassifier() kneighbor.fit(X_train,y_train)

kneighbor_predict = kneighbor.predict(X_test)

from sklearn.naive_bayes import GaussianNB,BernoulliNB gs = GaussianNB()

gs.fit(X_train,y_train)

gs_predict = gs.predict(X_test)

bnl = BernoulliNB()

bnl.fit(X_train,y_train)

bnl_predict = bnl.predict(X_test)

from sklearn.tree import DecisionTreeClassifier dtc = DecisionTreeClassifier() dtc.fit(X_train,y_train)

dtc_predict = dtc.predict(X_test)

from sklearn.ensemble import RandomForestClassifier rfcc = RandomForestClassifier() rfcc.fit(X_train,y_train)

rfcc_predict = rfcc.predict(X_test)

from sklearn.ensemble import GradientBoostingClassifier gbcc = GradientBoostingClassifier() gbcc.fit(X_train,y_train)

gbcc_predict = gbcc.predict(X_test)

from sklearn.metrics import classification_report

print('LogisticRegression',classification_report(y_test,

lgr_predict))

本文来源：https://www.dywdw.cn/0df2d5695b0216fc700abb68a98271fe910eaf96.html