用k近邻和logistic回归模型识别手写数字,并比较结果
来源:互联网 发布:算法竞赛入门经典 豆瓣 编辑:程序博客网 时间:2024/05/20 23:33
1.导入模块
import numpy as npimport pandas as pdfrom pandas import Series,DataFrame#机器学习模型from sklearn.linear_model import LogisticRegressionfrom sklearn.neighbors import KNeighborsClassifier#机器学习数据集import sklearn.datasets as datasets#绘图import matplotlib.pyplot as plt%matplotlib inline
2.获取训练数据和预测数据
#导入datasets模块中的数据digits=datasets.load_digits()data = digits.datatarget = digits.targetimages = digits.images#训练数据X_train=data[:1600]Y_train=target[:1600]#测试数据x_test = data[1600:]y_true = target[1600:]
3.确定学习模型
#k近邻算法模型knnclf = KNeighborsClassifier(n_neighbors=5)#logistic模型logistic = LogisticRegression(solver='lbfgs')
4.用训练数据训练模型
knnclf.fit(X_train,Y_train)logistic.fit(X_train,Y_train)
5.用模型预测结果
y_pre_knn = knnclf.predict(x_test)y_pre_logistic=logistic.predict(x_test)
6.查看算法得分
knn_score = knnclf.score(x_test,y_true)logistic_score = logistic.score(x_test,y_true)display(knn_score,logistic_score)
7.绘图,展示结果
plt.figure(figsize=(16,16))for i in range(100): plt.subplot(10,10,i+1) plt.imshow(x_test[i].reshape(8,8)) plt.axis('off') title = 'KNN:'+ str(y_pre_knn[i]) + '\nLOGIC:' + str(y_pre_logistic[i]) + '\nTrue:' + str(y_true[i]) plt.title(title)
阅读全文
0 0
- 用k近邻和logistic回归模型识别手写数字,并比较结果
- k近邻 - 手写数字识别
- OpenCV手写数字字符识别(基于k近邻算法)
- 【机器学习】k-近邻算法应用之手写数字识别
- 基于K-近邻算法识别手写数字的实现
- 基于k近邻(KNN)的手写数字识别
- k近邻算法识别手写数字Python实现
- OpenCV手写数字字符识别(基于k近邻算法)
- K近邻分类器(KNN)手写数字(MNIST)识别
- OpenCV手写数字字符识别(基于k近邻算法)
- k-近邻算法实现手写数字识别系统
- 基于K-近邻算法的手写数字识别研究
- TensorFlow实战:手写数字识别之K近邻
- K近邻法及手写数字识别系统(二)
- OpenCV手写数字字符识别(基于k近邻算法)
- k-近邻算法实现手写数字识别系统
- k近邻算法实现手写数字的识别和图片的分类
- 手写数字识别(1)---- Softmax回归模型
- java爬虫爬取主流房屋网站
- Charles抓取http与https数据
- Java之冒泡排序
- 关于Karush-Kuhn-Tucker(KKT)条件的几何分析
- python生成pyc文件
- 用k近邻和logistic回归模型识别手写数字,并比较结果
- Java之折半查询(二分法)
- 高数08.04 一阶线性微分方程
- 事件绑定(事件处理程序)
- python的pip安装、setuptools安装
- Unity中构建现实世界中的地形(插件 World Composer)
- my常用命令集
- 直播系统源码有哪些需要注意?
- Mongodb字段更新$set操作符