《机器学习实战》学习笔记3
2017-08-23 11:55
190 查看
2.3示例:手写识别系统
2.3.1准备数据:将图像转换为测试向量
在python命令行中输入下列命令测试img2vector函数
在测试函数时容易出现如下图中的错误
文件在多级目录下,文件名由数字组成,程序不可执行,此时应记得对文件名进行转义
参考文章:http://blog.csdn.net/u013457382/article/details/50938469
2.3.2 测试算法:使用k-近邻算法识别手写数字
将以下手写数字识别系统的测试代码写入kNN.py文件之前,必须将from os import listdir 写入文件的起始部分,该函数可以列出给定目录的文件名
此时同样要注意对文件名进行转义
在python命令提示符中输入kNN.handwritingClassTest(),测试该函数输出结果。输出结果如下图所示:
2.3.1准备数据:将图像转换为测试向量
def img2vector(filename): returnVect = np.zeros((1,1024)) fr = open(filename) for i in range(32): lineStr = fr.readline() for j in range(32): returnVect[0,32*i+j] = int(lineStr[j]) return returnVect
在python命令行中输入下列命令测试img2vector函数
在测试函数时容易出现如下图中的错误
文件在多级目录下,文件名由数字组成,程序不可执行,此时应记得对文件名进行转义
参考文章:http://blog.csdn.net/u013457382/article/details/50938469
2.3.2 测试算法:使用k-近邻算法识别手写数字
将以下手写数字识别系统的测试代码写入kNN.py文件之前,必须将from os import listdir 写入文件的起始部分,该函数可以列出给定目录的文件名
def handwritingClassTest(): hwLabels = [] trainingFileList = listdir('F:\\MachineLearninginaction\\Ch02\\trainingDigits') #load the training set m = len(trainingFileList) trainingMat = np.zeros((m,1024)) for i in range(m): fileNameStr = trainingFileList[i] fileStr = fileNameStr.split('.')[0] #take off .txt classNumStr = int(fileStr.split('_')[0]) hwLabels.append(classNumStr) trainingMat[i,:] = img2vector('F:\\MachineLearninginaction\\Ch02\\trainingDigits\\%s' % fileNameStr) testFileList = listdir('F:\\MachineLearninginaction\\Ch02\\testDigits') #iterate through the test set errorCount = 0.0 mTest = len(testFileList) for i in range(mTest): fileNameStr = testFileList[i] fileStr = fileNameStr.split('.')[0] #take off .txt classNumStr = int(fileStr.split('_')[0]) vectorUnderTest = img2vector('F:\\MachineLearninginaction\\Ch02\\testDigits\\%s' % fileNameStr) classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3) print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, classNumStr) if (classifierResult != classNumStr): errorCount += 1.0 print "\nthe total number of errors is: %d" % errorCount print "\nthe total error rate is: %f" % (errorCount/float(mTest))
此时同样要注意对文件名进行转义
在python命令提示符中输入kNN.handwritingClassTest(),测试该函数输出结果。输出结果如下图所示:
相关文章推荐
- 《机器学习实战》学习笔记(三)之K-近邻算法
- python3.5《机器学习实战》学习笔记(三):k近邻算法scikit-learn实战手写体识别
- [置顶] 《机器学习实战》学习笔记(三)之朴素贝叶斯(下)过滤垃圾邮件、获取区域倾向、搜狗新闻分类 (sklearn)
- 《机器学习实战》学习笔记:k-近邻算法实现
- 《机器学习实战》学习笔记——第3章 决策树
- Python3《机器学习实战》学习笔记(一):k-近邻算法(史诗级干货长文)
- Python3《机器学习实战》学习笔记(二):决策树基础篇之让我们从相亲说起
- 《机器学习实战》学习笔记2
- [置顶] Python3《机器学习实战》学习笔记(八):支持向量机原理篇之手撕线性SVM
- 《机器学习实战》学习笔记——K-近邻算法(KNN)(二)海伦约会网站匹配实战
- [置顶] 《机器学习实战》学习笔记(五)之支持向量机(下)项目实战
- 《机器学习实战》学习笔记:Logistic回归&预测疝气病证的死亡率
- [置顶] Python3《机器学习实战》学习笔记(十一):线性回归基础篇之预测鲍鱼年龄
- 《机器学习实战》学习笔记Part 1(一)
- 《机器学习实战》学习笔记:基于朴素贝叶斯的垃圾邮件过滤
- python3.5《机器学习实战》学习笔记(一):k近邻算法
- [置顶] Python3《机器学习实战》学习笔记(十):提升分类器性能利器-AdaBoost
- python3.5《机器学习实战》学习笔记(四):决策树算法
- 《机器学习实战》学习笔记Part 1(二)
- 《机器学习实战》学习笔记(一)