使用 Scikit-Learn 识别手写数字

简介

本实验展示了如何使用 scikit-learn 识别 0 到 9 的手写数字图像。

虚拟机使用提示

虚拟机启动完成后，点击左上角切换到“笔记本”标签，以访问 Jupyter Notebook 进行练习。

有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。

如果你在学习过程中遇到问题，随时向 Labby 提问。课程结束后提供反馈，我们会及时为你解决问题。

导入库

首先，我们需要导入必要的库。我们将使用matplotlib进行可视化，从sklearn中导入datasets和metrics来加载和评估数据集，并使用svm来训练支持向量机。

import matplotlib.pyplot as plt
from sklearn import datasets, svm, metrics
from sklearn.model_selection import train_test_split

加载并可视化数字数据集

我们将加载数字数据集，该数据集由 8x8 像素的数字图像组成。我们将使用matplotlib的imshow()方法来可视化前 4 张图像及其对应的标签。

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)

准备数据集

我们需要将图像展平，把每个形状为(8, 8)的二维灰度值数组转换为形状为(64,)的数组。这将为我们提供一个形状为(n_samples, n_features)的数据集，其中n_samples是图像的数量，n_features是每个图像中的像素总数。

n_samples = len(digits.images)
data = digits.images.reshape((n_samples, -1))

分割数据集

我们将使用sklearn.model_selection中的train_test_split()方法将数据集分割为 50% 的训练子集和 50% 的测试子集。

X_train, X_test, y_train, y_test = train_test_split(
    data, digits.target, test_size=0.5, shuffle=False
)

训练支持向量机

我们将使用sklearn中的svm.SVC()方法在训练样本上训练一个支持向量分类器。

clf = svm.SVC(gamma=0.001)
clf.fit(X_train, y_train)

预测并评估模型

我们将使用训练好的模型来预测测试子集中样本的数字值。然后，我们将使用sklearn.metrics中的metrics.classification_report()和metrics.ConfusionMatrixDisplay.from_predictions()方法来评估模型。

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}")

从混淆矩阵重建分类报告

如果评估分类器的结果以混淆矩阵的形式存储，而不是以y_true和y_pred的形式存储，我们仍然可以使用metrics.classification_report()方法按如下方式构建分类报告：

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"
)

总结

在本实验中，我们学习了如何使用 scikit-learn 通过支持向量机识别 0 到 9 的手写数字。我们加载并可视化了数字数据集，准备并分割了数据集，训练了模型，使用分类报告和混淆矩阵对模型进行了预测和评估。