Mémo d'étude Python & Machine Learning ⑥: Reconnaissance des nombres

introduction

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 A continué

• Matériel de référence: Cours d'IA d'Udemy Everyone sur l'intelligence artificielle et l'apprentissage automatique à partir de zéro avec Python --Bibliothèque utilisée: scicit-learn

Paramètre de problème

Reconnaissez les nombres écrits à partir de l'image des nombres manuscrits (8 x 8 px).

Code source

importer

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

Charger des exemples de données

#Lecture de données numériques
digits = datasets.load_digits()

Les chiffres contiennent les données suivantes.

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 est une liste de 64x1797, les valeurs des éléments représentent les couleurs dans l'échelle de gris et une liste de 64 éléments représente une image. Pour l'affichage de l'image, «digits.image» contient également des informations similaires bien que le format de la liste soit différent. digits.target montre la bonne réponse (= quel numéro est représenté) de chaque image.

Formation avec machine à vecteur de support

#Machine de vecteur de soutien
clf = svm.SVC(gamma=0.001, C=100.0) # gamma:L'ampleur de l'impact d'une donnée d'entraînement, C:Tolérance de fausse reconnaissance
#Formation avec machine à vecteur de support(60% des données sont utilisées, les 40% restants sont destinés à la vérification)
clf.fit(digits.data[:int(n*6/10)], digits.target[:int(n*6/10)])

La dernière fois que je l'ai utilisé, c'était LinearSVC (), mais cette fois j'utilise SVC (). N'est-il pas possible de classer par frontières linéaires?

Classification

Demandez au clf créé ci-dessus de lire les 40% restants des données en chiffres et de classer chaque nombre.

#Bonne réponse
expected = digits.target[int(-n*4/10):]
#Prévoir
predicted = clf.predict(digits.data[int(-n*4/10):])
#Taux de réponse correct
print(metrics.classification_report(expected, predicted))
#Matrice de méconnaissance
print(metrics.confusion_matrix(expected, predicted))

résultat

Taux de réponse correct

              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% des réponses prédites à 0 sont correctes et 99% des réponses correctes prédites à 0. Référence de lecture du tableau:

• Comment lire le rapport de classification
• Soyez prudent lorsque vous mettez le score F1 dans les métarcs avec Keras

Matrice de méconnaissance

[[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]]

Sur les 0 images, 69 sont reconnues comme 0, 1 est reconnue comme 4, et ainsi de suite.

Image réelle et valeur prévue

#Correspondance entre prédiction et image (partie)
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()

Vous pouvez voir que les nombres peuvent être reconnus.

prime

J'ai essayé de visualiser digits.data (image binaire en noir et blanc)

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")

résultat

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


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

...

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


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

Vous pouvez voir que c'est en quelque sorte manuscrit