在sklearn数字示例

时间:2017-01-15 21:39:29

标签: python machine-learning scikit-learn

所以我一直在玩sklearn和python并尝试了解机器学习是如何工作的。我得到了正确的基本例子,但我有一件事情在努力。

例如,在我准备好分类器并进行测试后,让我们说我使用数字数据集。在这个例子中,我如何使用自己手写的图像?

我设法加载图像并使用matplotlib读取它的像素,但是我得到一个带有(8,8,3)的数组,来自数字数据集的样本的形状为(8,8) )。

这是我用来训练分类器的代码

digits = load_digits()
x_train, x_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.20)

clf = svm.SVC(gamma=0.001, C=100)

clf.fit(x_train, y_train)

img = mpimg.imread('handwritten.jpg')

这是我从print(img)

获得的内容的印刷品
[[[245 251 255]
  [ 51  55  82]
  [ 41  56  87]
  [ 18  58 109]
  [ 11  65 125]
  [ 20  64 101]
  [242 255 255]
  [255 255 239]]

 [[249 253 255]
  [249 254 255]
  [239 255 255]
  [221 255 255]
  [209 255 255]
  [ 16  60 105]
  [242 255 255]
  [255 253 242]]

 [[250 254 255]
  [250 255 255]
  [241 255 255]
  [218 255 255]
  [ 10  69 137]
  [ 10  57 111]
  [241 255 255]
  [255 253 250]]

 [[252 255 253]
  [251 255 252]
  [ 44  61  77]
  [ 16  60 109]
  [  3  63 136]
  [ 13  61 123]
  [240 255 255]
  [255 253 255]]

 [[251 255 249]
  [252 255 250]
  [239 255 255]
  [ 19  63 112]
  [  3  63 136]
  [ 16  64 128]
  [240 255 255]
  [255 252 255]]

 [[249 255 253]
  [249 255 253]
  [240 255 255]
  [218 255 255]
  [  3  59 133]
  [ 17  62 121]
  [242 255 255]
  [255 252 255]]

 [[245 255 255]
  [245 255 255]
  [236 254 255]
  [220 255 255]
  [ 14  67 135]
  [ 19  59 111]
  [245 255 255]
  [255 253 250]]

 [[241 255 255]
  [ 46  58  74]
  [ 38  58  83]
  [ 21  61 110]
  [  9  60 123]
  [224 255 255]
  [246 255 255]
  [255 254 243]]]
(64,)
[[[245 251 255]
  [ 51  55  82]
  [ 41  56  87]
  [ 18  58 109]
  [ 11  65 125]
  [ 20  64 101]
  [242 255 255]
  [255 255 239]]

 [[249 253 255]
  [249 254 255]
  [239 255 255]
  [221 255 255]
  [209 255 255]
  [ 16  60 105]
  [242 255 255]
  [255 253 242]]

 [[250 254 255]
  [250 255 255]
  [241 255 255]
  [218 255 255]
  [ 10  69 137]
  [ 10  57 111]
  [241 255 255]
  [255 253 250]]

 [[252 255 253]
  [251 255 252]
  [ 44  61  77]
  [ 16  60 109]
  [  3  63 136]
  [ 13  61 123]
  [240 255 255]
  [255 253 255]]

 [[251 255 249]
  [252 255 250]
  [239 255 255]
  [ 19  63 112]
  [  3  63 136]
  [ 16  64 128]
  [240 255 255]
  [255 252 255]]

 [[249 255 253]
  [249 255 253]
  [240 255 255]
  [218 255 255]
  [  3  59 133]
  [ 17  62 121]
  [242 255 255]
  [255 252 255]]

 [[245 255 255]
  [245 255 255]
  [236 254 255]
  [220 255 255]
  [ 14  67 135]
  [ 19  59 111]
  [245 255 255]
  [255 253 250]]

 [[241 255 255]
  [ 46  58  74]
  [ 38  58  83]
  [ 21  61 110]
  [  9  60 123]
  [224 255 255]
  [246 255 255]
  [255 254 243]]]

以及来自样本数字

的一个
[  0.   0.   5.  13.   9.   1.   0.   0.   0.   0.  13.  15.  10.  15.   5.
   0.   0.   3.  15.   2.   0.  11.   8.   0.   0.   4.  12.   0.   0.   8.
   8.   0.   0.   5.   8.   0.   0.   9.   8.   0.   0.   4.  11.   0.   1.
  12.   7.   0.   0.   2.  14.   5.  10.  12.   0.   0.   0.   0.   6.  13.
  10.   0.   0.   0.]

正如您所看到的,不仅形状不同,而且功能的值也不同,数据集中的样本仅包含0到16之间的整数,而且我的RGB值为。

那么我如何"正常化"我的数据可以使用我的分类器吗?

2 个答案:

答案 0 :(得分:0)

不断使用标准Recognizing hand-written digits的代码,我有如下的丑陋工作代码。 (希望被其他人改进)

def rgb2gray(rgb):
    return np.dot(rgb[...,:3], [0.299, 0.587, 0.114])

img = mpimg.imread('/code/4.png')
gray = rgb2gray(img)
a=(16-gray*16).astype(int) # really weird here, but try to convert to 0..16
plt.imshow(a, cmap = plt.get_cmap('gray_r'))
plt.show()
print("source data in 8x8:\n",a)

predicted = classifier.predict(a.flatten().reshape(1, -1))
print(predicted)

见结果

enter image description here

4.pngenter image description here

执行此操作的步骤

  • 拍摄手写数字的照片(如示例中的4
  • 使用图片工具裁剪并调整为8 * 8 4.png
  • 在上面的代码中,转换为灰色并保存到数组
  • 让原始代码预测这个新数字

答案 1 :(得分:0)

拉里(Larry)的另一种变体:

img = imageio.imread(pic_path)
 # dirty hack to tranform into the format, sklearn needs it
img = [16-int(round(jj/16)) for j in img for jj in j]

predicted = classifier.predict(img)


image = np.reshape(img, (8,8))
plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')
plt.axis('off')
plt.show()

print('Predicted: {0}'.format(predicted))