kaggle上的一个比赛，主要是识别数字的，具体描述可以去官网看一下，然后里面也有数据集，可以下载下来在本地跑，也可以在kaggle的平台上跑，注意去setting下面把GPU的开关打开~~
我之前也写过手写体识别的，在这里 ，用的是logistic regression+softmax 数据集是放在两个文件夹下面，没一个样本是存成一个txt文件的，就是这里导入数据集比较麻烦。
现在的数据要比之前大很多，而且存的是像素值，不过实质是一样的都可以作为特征训练，我这次使用的knn,，没有调现成的包，如果你是想了解算法的原理，这篇文章也许会对你有帮助~~
knn的原理我这里就不再赘述了，思想都在代码中体现了，我最开始建立一个模型，就是把训练数据集拆分80%训练，20%测试，结果预测准确率82%：
然后我使用了前500条数据来跑，然后对测试数据也就预测了100条，写到preditions.csv文件中，结果如下：
然后对于全部数据是在kaggle上面跑的~跑了好久还没出结果~~~
接下来我把两个版本的代码都放上来：
第一个是训练模型的，没有对测试集合进行预测，主要是看模型的好坏~：
# -*- coding: utf-8 -*-
"""
Created on Fri May 11 20:38:13 2018
@author: xuanxuan
"""
from itertools import islice
import numpy as np
from sklearn.cross_validation import train_test_split
def load_data():
filename="E:/pyhtonworkspace/py3-pratice/bymyself_practice/python_game/Data/Kaggel/digit-recognizer/digit-recognizer/train.csv"
file=open(filename)
data=[]
label=[]
for line in islice(file,1, None):
data_line=[]
line=line.strip().split(',')
for num in line:
data_line.append(int(num))
data.append(data_line[1:])
label.append(data_line[0])
data_mat,label_mat=np.mat(data),np.mat(label).T
#print(data_mat.shape) #（42000，784）
#print(data_mat[:20])
#print(label_mat.shape) #（42000，1）
#print(label_mat[:20])
#return data_mat,label_mat
return data_mat[:500],label_mat[:500] #只取其中的500条数据来跑 准确率82%
#计算训练数据集和测试数据集中两个样本之间的距离
def cal_dis(test_data_line,train_data_line,n):
dists=0
for i in range(n):
dists+=(test_data_line[0,i]-train_data_line[0,i])**2
dists=np.sqrt(dists)
return dists
def pred_test_label(d,k):
d_arr=sorted(d.items(),key=lambda x:x[0]) #按照key(距离)排序（小-->大)
d_new={} #存放前k个距离最小的label和对应的数目，key-value：label-num
for i in range(k):
key_label=d_arr[i][1]
if key_label not in d_new:
d_new[key_label]=0
else:
d_new[key_label]+=1 #把前k个重复出现的label累加
d_new_arr=sorted(d_new.items(),key=lambda x:x[1],reverse=True) #对于前k个 按照标签出现的数目从大到小排序
pred_label=d_new_arr[0][0] #最终预测的那个标签
return pred_label
def knn(train_data,train_label,test_data,test_label,k=12):
m_test,n=np.shape(test_data)
m_train=np.shape(train_data)[0]
num_error=0 #统计预测错误个数
for i in range(m_test):
d={} #测试数据集每一个样本和训练数据集所有样本之间的距离存成字典：key-value:dists-label(train)
for j in range(m_train):
dists=cal_dis(test_data[i],train_data[j],n)
d[dists]=train_label[j,0]
#至此对于测试集中的每一个样本与训练样本集合所有样本之间的距离都存起来了
pred_label=pred_test_label(d,k)
if pred_label!=test_label[i,0]:
num_error+=1
accuracy=1-num_error/m_test
return accuracy
if __name__=="__main__":
data,label=load_data()
train_data,test_data,train_label,test_label=train_test_split(data,label,test_size=0.25,random_state=33)
accuracy=knn(train_data,train_label,test_data,test_label)
print("使用knn预测的准确率为:{}".format(accuracy))
第二个版本是把所有样本拿来训练，对测试数据进行预测：
# -*- coding: utf-8 -*-
"""
Created on Fri May 11 20:38:13 2018
@author: xuanxuan
"""
from itertools import islice
import numpy as np
from sklearn.cross_validation import train_test_split
def load_data():
filename="E:/pyhtonworkspace/py3-pratice/bymyself_practice/python_game/Data/Kaggel/digit-recognizer/digit-recognizer/train.csv"
file=open(filename)
data=[]
label=[]
for line in islice(file,1, None):
data_line=[]
line=line.strip().split(',')
for num in line:
data_line.append(int(num))
data.append(data_line[1:])
label.append(data_line[0])
data_mat,label_mat=np.mat(data),np.mat(label).T
#print(data_mat.shape) #（42000，784）
#print(data_mat[:20])
#return data_mat,label_mat
return data_mat[:500] ,label_mat[:500]
def load_data_test():
filename="E:/pyhtonworkspace/py3-pratice/bymyself_practice/python_game/Data/Kaggel/digit-recognizer/digit-recognizer/test.csv"
file=open(filename)
data=[]
label=[]
for line in islice(file,1, None):
data_line=[]
line=line.strip().split(',')
for num in line:
data_line.append(int(num))
data.append(data_line[:])
data_mat=np.mat(data)
#print(data_mat.shape) #（42000，784）
#print(data_mat[:20])
#return data_mat
return data_mat[:100]
#计算训练数据集和测试数据集中两个样本之间的距离
def cal_dis(test_data_line,train_data_line,n):
dists=0
for i in range(n):
dists+=(test_data_line[0,i]-train_data_line[0,i])**2
dists=np.sqrt(dists)
return dists
def pred_test_label(d,k):
d_arr=sorted(d.items(),key=lambda x:x[0]) #按照key(距离)排序（小-->大)
d_new={} #存放前k个距离最小的label和对应的数目，key-value：label-num
for i in range(k):
key_label=d_arr[i][1]
if key_label not in d_new:
d_new[key_label]=0
else:
d_new[key_label]+=1 #把前k个重复出现的label累加
d_new_arr=sorted(d_new.items(),key=lambda x:x[1],reverse=True) #对于前k个 按照标签出现的数目从大到小排序
pred_label=d_new_arr[0][0] #最终预测的那个标签
return pred_label
def knn(train_data,train_label,test_data,k=12):
m_test,n=np.shape(test_data)
m_train=np.shape(train_data)[0]
predictions=[] #存储预测的标签
for i in range(m_test):
d={} #测试数据集每一个样本和训练数据集所有样本之间的距离存成字典：key-value:dists-label(train)
for j in range(m_train):
dists=cal_dis(test_data[i],train_data[j],n)
d[dists]=train_label[j,0]
#至此对于测试集中的每一个样本与训练样本集合所有样本之间的距离都存起来了
pred_label=pred_test_label(d,k)
predictions.append(pred_label)
#print(predictions)
return predictions
def get_result(predictions):
out_file = open("E:/pyhtonworkspace/py3-pratice/bymyself_practice/python_game/Data/Kaggel/digit-recognizer/digit-recognizer/predictions.csv", "w")
out_file.write("ImageId,Label\n")
for i in range(len(predictions)):
out_file.write(str(i+1) + "," + str(int(predictions[i])) + "\n")
out_file.close()
if __name__=="__main__":
train_data,train_label=load_data()
test_data=load_data_test()
predictions=knn(train_data,train_label,test_data)
get_result(predictions)