Python & Machine Learning Study Memo ⑥: Zahlenerkennung

Einführung

① https://qiita.com/yohiro/items/04984927d0b455700cd1 ② https://qiita.com/yohiro/items/5aab5d28aef57ccbb19c ③ https://qiita.com/yohiro/items/cc9bc2631c0306f813b5 ④ https://qiita.com/yohiro/items/d376f44fe66831599d0b ⑤ https://qiita.com/yohiro/items/3abaf7b610fbcaa01b9c Fortsetzung

• Referenzmaterial: Udemy jedermanns KI-Kurs Künstliche Intelligenz und maschinelles Lernen von Grund auf mit Python
• Verwendete Bibliothek: scicit-learn

Erkennen Sie die geschriebenen Zahlen anhand des handgeschriebenen Zahlenbildes (8 x 8 Pixel).

Quellcode

importieren

from sklearn import datasets
from sklearn import svm
from sklearn import metrics
import matplotlib.pyplot as plt

Laden von Beispieldaten

#Numerische Daten lesen
digits = datasets.load_digits()

Die Ziffern enthalten die folgenden Daten.

digits.data

[[ 0.  0.  5. ...  0.  0.  0.]
 [ 0.  0.  0. ... 10.  0.  0.]
 [ 0.  0.  0. ... 16.  9.  0.]
 ...
 [ 0.  0.  1. ...  6.  0.  0.]
 [ 0.  0.  2. ... 12.  0.  0.]
 [ 0.  0. 10. ... 12.  1.  0.]]

digits.target

[0 1 2 ... 8 9 8]

digits.data ist eine Liste von 64x1797, die Werte der Elemente repräsentieren die Farben in der Graustufe und eine 64-Elemente-Liste repräsentiert ein Bild. Für die Bildanzeige enthält "digits.image" ähnliche Informationen, obwohl das Listenformat unterschiedlich ist. digits.target zeigt die richtige Antwort (= welche Zahl dargestellt wird) jedes Bildes.

Training mit Support Vector Machine

#Unterstützung Vektormaschine
clf = svm.SVC(gamma=0.001, C=100.0) # gamma:Das Ausmaß der Auswirkung einer Trainingsdaten, C:Falsche Erkennungstoleranz
#Training mit Support Vector Machine(60% der Daten werden verwendet, die restlichen 40% dienen der Überprüfung)
clf.fit(digits.data[:int(n*6/10)], digits.target[:int(n*6/10)])

Das letzte Mal habe ich "LinearSVC ()" verwendet, aber dieses Mal verwende ich "SVC ()". Ist es nicht möglich, durch lineare Grenzen zu klassifizieren?

Einstufung

Lassen Sie das oben erstellte clf die restlichen 40% der Daten in digits.data lesen und klassifizieren Sie jede Zahl.

#Richtige Antwort
expected = digits.target[int(-n*4/10):]
#Prognose
predicted = clf.predict(digits.data[int(-n*4/10):])
#Richtige Antwortrate
print(metrics.classification_report(expected, predicted))
#Fehlerkennungsmatrix
print(metrics.confusion_matrix(expected, predicted))

Ergebnis

Richtige Antwortrate

              precision    recall  f1-score   support

           0       0.99      0.99      0.99        70
           1       0.99      0.96      0.97        73
           2       0.99      0.97      0.98        71
           3       0.97      0.86      0.91        74
           4       0.99      0.96      0.97        74
           5       0.95      0.99      0.97        71
           6       0.99      0.99      0.99        74
           7       0.96      1.00      0.98        72
           8       0.92      1.00      0.96        68
           9       0.96      0.97      0.97        71

    accuracy                           0.97       718
   macro avg       0.97      0.97      0.97       718
weighted avg       0.97      0.97      0.97       718

99% der Antworten, die als 0 vorhergesagt wurden, sind korrekt, und 99% der richtigen Antworten wurden als 0 vorhergesagt. Referenz zum Lesen der Tabelle:

• Lesen des Klassifizierungsberichts
• Seien Sie vorsichtig, wenn Sie F1-Ergebnisse mit Keras in Metarcs einfügen

Fehlerkennungsmatrix

[[69  0  0  0  1  0  0  0  0  0]
 [ 0 70  1  0  0  0  0  0  2  0]
 [ 1  0 69  1  0  0  0  0  0  0]
 [ 0  0  0 64  0  3  0  3  4  0]
 [ 0  0  0  0 71  0  0  0  0  3]
 [ 0  0  0  0  0 70  1  0  0  0]
 [ 0  1  0  0  0  0 73  0  0  0]
 [ 0  0  0  0  0  0  0 72  0  0]
 [ 0  0  0  0  0  0  0  0 68  0]
 [ 0  0  0  1  0  1  0  0  0 69]]

Von den 0 Bildern werden 69 als 0, 1 als 4 usw. erkannt.

Tatsächliches Bild und vorhergesagter Wert

#Entsprechung zwischen Vorhersage und Bild (Teil)
images = digits.images[int(-n*4/10):]
for i in range(12):
    plt.subplot(3, 4, i + 1)
    plt.axis("off")
    plt.imshow(images[i], cmap=plt.cm.gray_r, interpolation="nearest")
    plt.title("Guess: " + str(predicted[i]))
plt.show()

Sie können sehen, dass die Nummern erkannt werden können.

Bonus

Ich habe versucht, digits.data (Schwarzweiß-Binärbild) zu visualisieren.

for i in range(10):
    my_s = ""
    for k, j in enumerate(digits.data[i]):
        if (j > 0):
            my_s += " ■ "
        else:
            my_s += "   "
        if k % 8 == 7:
            print(my_s)
            my_s = ""
    print("\n")

Ergebnis

       ■  ■  ■  ■       
       ■  ■  ■  ■  ■    
    ■  ■  ■     ■  ■    
    ■  ■        ■  ■    
    ■  ■        ■  ■    
    ■  ■     ■  ■  ■    
    ■  ■  ■  ■  ■       
       ■  ■  ■          


          ■  ■  ■       
          ■  ■  ■       
       ■  ■  ■  ■       
    ■  ■  ■  ■  ■       
       ■  ■  ■  ■       
       ■  ■  ■  ■       
       ■  ■  ■  ■       
          ■  ■  ■

...

       ■  ■  ■  ■       
       ■  ■  ■  ■       
       ■  ■     ■  ■    
       ■  ■  ■  ■  ■    
       ■  ■  ■  ■       
    ■  ■  ■  ■  ■  ■    
    ■  ■  ■  ■  ■  ■    
       ■  ■  ■  ■  ■    


       ■  ■             
    ■  ■  ■  ■  ■       
    ■  ■  ■  ■  ■       
    ■  ■  ■  ■  ■       
       ■  ■  ■  ■  ■    
          ■     ■  ■    
             ■  ■  ■    
       ■  ■  ■  ■   

Sie können sehen, dass es irgendwie handgeschrieben ist