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)
[[[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?
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
执行此操作的步骤
4
)4.png
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))