Введение
В этом практическом занятии показано, как использовать scikit-learn для распознавания изображений рукописных цифр от 0 до 9.
Советы по использованию ВМ
После запуска виртуальной машины щелкните в верхнем левом углу, чтобы переключиться на вкладку Ноутбук и получить доступ к Jupyter Notebook для практики.
Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook не загрузится полностью. Проверка операций не может быть автоматизирована из-за ограничений Jupyter Notebook.
Если вы столкнетесь с проблемами во время обучения, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.
Импорт библиотек
Сначала нам нужно импортировать необходимые библиотеки. Мы будем использовать matplotlib для визуализации, datasets и metrics из sklearn для загрузки и оценки набора данных, а также svm для обучения на支持向量机 (support vector machine).
import matplotlib.pyplot as plt
from sklearn import datasets, svm, metrics
from sklearn.model_selection import train_test_split
Загрузка и визуализация набора данных цифр
Мы загрузим набор данных цифр, состоящий из изображений цифр размером 8x8 пикселей. Мы будем использовать метод imshow() из matplotlib для визуализации первых 4 изображений вместе с их соответствующими метками.
digits = datasets.load_digits()
_, axes = plt.subplots(nrows=1, ncols=4, figsize=(10, 3))
for ax, image, label in zip(axes, digits.images, digits.target):
ax.set_axis_off()
ax.imshow(image, cmap=plt.cm.gray_r, interpolation="nearest")
ax.set_title("Training: %i" % label)
Подготовка набора данных
Нам нужно сгладить изображения, чтобы превратить каждый двумерный массив значений серого цвета формы (8, 8) в форму (64,). Это даст нам набор данных формы (n_samples, n_features), где n_samples - количество изображений, а n_features - общее количество пикселей в каждом изображении.
n_samples = len(digits.images)
data = digits.images.reshape((n_samples, -1))
Разделение набора данных
Мы разделим набор данных на обучающую и тестовую подмножества в соотношении 50% - 50% с использованием метода train_test_split() из sklearn.model_selection.
X_train, X_test, y_train, y_test = train_test_split(
data, digits.target, test_size=0.5, shuffle=False
)
Обучение支持向量机 (support vector machine)
Мы обучим классификатор на основе支持向量机 (support vector machine) на обучающих примерах с использованием метода svm.SVC() из sklearn.
clf = svm.SVC(gamma=0.001)
clf.fit(X_train, y_train)
Предсказание и оценка модели
Мы будем использовать обученную модель для предсказания значений цифр для образцов в тестовой подмножестве. Затем мы оценим модель с использованием методов metrics.classification_report() и metrics.ConfusionMatrixDisplay.from_predictions() из sklearn.metrics.
predicted = clf.predict(X_test)
print(
f"Classification report for classifier {clf}:\n"
f"{metrics.classification_report(y_test, predicted)}\n"
)
disp = metrics.ConfusionMatrixDisplay.from_predictions(y_test, predicted)
disp.figure_.suptitle("Confusion Matrix")
print(f"Confusion matrix:\n{disp.confusion_matrix}")
Восстановление отчета о классификации из матрицы ошибок
Если результаты оценки классификатора хранятся в виде матрицы ошибок, а не в виде y_true и y_pred, мы по-прежнему можем построить отчет о классификации с использованием метода metrics.classification_report() следующим образом:
y_true = []
y_pred = []
cm = disp.confusion_matrix
for gt in range(len(cm)):
for pred in range(len(cm)):
y_true += [gt] * cm[gt][pred]
y_pred += [pred] * cm[gt][pred]
print(
"Classification report rebuilt from confusion matrix:\n"
f"{metrics.classification_report(y_true, y_pred)}\n"
)
Резюме
В этом практическом занятии мы узнали, как использовать scikit-learn для распознавания рукописных цифр от 0 до 9 с использованием support vector machine. Мы загрузили и визуализировали набор данных с цифрами, подготовили и разделили набор данных, обучили модель, предсказали и оценили модель с использованием отчета о классификации и матрицы ошибок.