南宁做网站推广的公司哪家好,中企动力地址,电脑网站网页设计,wordpress数据在哪K-近邻#xff08;K-NN, K-Nearest Neighbors#xff09;
原理
K-近邻#xff08;K-NN#xff09;是一种非参数分类和回归算法。K-NN 的主要思想是根据距离度量#xff08;如欧氏距离#xff09;找到训练数据集中与待预测样本最近的 K 个样本#xff0c;并根据这 K 个…K-近邻K-NN, K-Nearest Neighbors
原理
K-近邻K-NN是一种非参数分类和回归算法。K-NN 的主要思想是根据距离度量如欧氏距离找到训练数据集中与待预测样本最近的 K 个样本并根据这 K 个样本的标签来进行预测。对于分类任务K-NN 通过投票的方式选择出现最多的类别作为预测结果对于回归任务K-NN 通过计算 K 个最近邻样本的平均值来进行预测。
公式
K-NN 的主要步骤包括
计算待预测样本与训练集中每个样本之间的距离。常用的距离度量包括欧氏距离、曼哈顿距离等。 找到距离最近的 K 个样本。对于分类任务通过投票决定预测结果
其中Nk 表示样本 x 的 K 个最近邻样本集合I 是指示函数。
对于回归任务通过计算平均值决定预测结果
生活场景应用的案例
手写数字识别K-NN 可以用于手写数字识别任务。假设我们有一个手写数字的图片数据集每张图片都被标注了对应的数字。我们可以使用 K-NN 模型来识别新图片中的数字。
案例描述
假设我们有一个手写数字图片的数据集包括以下特征
图片像素值每张图片由一个固定大小的像素矩阵表示
我们希望通过这些像素值来预测图片中的数字。我们可以使用 K-NN 模型进行训练和预测。训练完成后我们可以使用模型来识别新图片中的数字并评估模型的性能。
代码解析
下面是一个使用 Python 实现上述手写数字识别案例的示例使用了 scikit-learn 库。
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits# 载入手写数字数据集
digits load_digits()
X digits.data
y digits.target# 拆分训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 创建K-NN模型并训练
k 5
model KNeighborsClassifier(n_neighborsk)
model.fit(X_train, y_train)# 预测
y_pred model.predict(X_test)# 评估模型
accuracy accuracy_score(y_test, y_pred)
cm confusion_matrix(y_test, y_pred)
report classification_report(y_test, y_pred)print(fAccuracy: {accuracy})
print(Confusion Matrix:)
print(cm)
print(Classification Report:)
print(report)# 可视化部分测试结果
fig, axes plt.subplots(1, 5, figsize(10, 3))
for ax, image, prediction in zip(axes, X_test, y_pred):ax.set_axis_off()image image.reshape(8, 8)ax.imshow(image, cmapplt.cm.gray_r, interpolationnearest)ax.set_title(fPred: {prediction})
plt.show()
在这个示例中
我们使用了 sklearn.datasets 中的手写数字数据集。这个数据集包含了 8x8 像素的图片每张图片代表一个手写数字。将数据集拆分为训练集和测试集。使用训练集训练 K-NN 分类模型。通过测试集进行预测并评估模型的性能。输出准确率accuracy、混淆矩阵confusion matrix和分类报告classification report。可视化部分测试结果展示模型的预测效果。 这个案例展示了如何使用 K-NN 模型来识别手写数字基于图片的像素值特征。模型训练完成后可以用于预测新图片中的数字并帮助解决实际的手写数字识别问题。
神经网络Neural Network
原理
神经网络是一种模仿生物神经元结构的计算模型由多个节点神经元和连接权重组成。神经网络主要由输入层、隐藏层和输出层构成每一层包含若干神经元。通过层与层之间的连接和激活函数如ReLU、Sigmoid等神经网络能够拟合复杂的非线性关系实现分类、回归等任务。
训练神经网络的过程通常使用反向传播算法通过计算损失函数的梯度来调整网络的权重以最小化预测误差。
公式
神经元的线性组合 其中xi 是输入wi 是权重b 是偏置z 是神经元的加权和。
激活函数 常用的激活函数包括
Sigmoid 函数 ReLU 函数 反向传播
反向传播算法通过计算损失函数的梯度来更新权重 其中η 是学习率L 是损失函数。
生活场景应用的案例
图像分类神经网络广泛应用于图像分类任务。假设我们有一个包含手写数字图片的数据集每张图片都被标注了对应的数字。我们可以使用神经网络模型来识别新图片中的数字。
案例描述
假设我们有一个手写数字图片的数据集包括以下特征
图片像素值每张图片由一个固定大小的像素矩阵表示
我们希望通过这些像素值来预测图片中的数字。我们可以使用神经网络模型进行训练和预测。训练完成后我们可以使用模型来识别新图片中的数字并评估模型的性能。
代码解析
下面是一个使用 Python 实现上述手写数字识别案例的示例使用了 tensorflow 和 keras 库。
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.utils import to_categorical
from sklearn.datasets import load_digits# 载入手写数字数据集
digits load_digits()
X digits.images
y digits.target# 预处理数据
X X / 16.0 # 将像素值归一化到 [0, 1]
y to_categorical(y, num_classes10) # 将标签转换为one-hot编码# 调整数据维度以适应TensorFlow模型
X X.reshape(-1, 8, 8, 1) # 使用-1使reshape自动计算样本数量# 拆分训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 创建神经网络模型
model Sequential([Flatten(input_shape(8, 8, 1)), # 展平输入图像Dense(128, activationrelu), # 隐藏层包含128个神经元Dense(64, activationrelu), # 隐藏层包含64个神经元Dense(10, activationsoftmax) # 输出层包含10个神经元对应10个类别
])# 编译模型
model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy])# 训练模型
model.fit(X_train, y_train, epochs20, batch_size32, validation_split0.2)# 评估模型
loss, accuracy model.evaluate(X_test, y_test)
y_pred model.predict(X_test)
y_pred_classes np.argmax(y_pred, axis1)
y_true np.argmax(y_test, axis1)print(fAccuracy: {accuracy})
print(Classification Report:)
print(classification_report(y_true, y_pred_classes))# 可视化部分测试结果
fig, axes plt.subplots(1, 5, figsize(10, 3))
for ax, image, prediction in zip(axes, X_test, y_pred_classes):ax.set_axis_off()image image.reshape(8, 8) # 确保图像形状正确ax.imshow(image, cmapplt.cm.gray_r, interpolationnearest)ax.set_title(fPred: {prediction})
plt.show()在这个示例中
我们使用了 sklearn.datasets 中的手写数字数据集。这个数据集包含了 8x8 像素的图片每张图片代表一个手写数字。将数据集拆分为训练集和测试集并对数据进行预处理将像素值归一化并将标签转换为 one-hot 编码。创建了一个包含两个隐藏层的神经网络模型。使用训练集训练神经网络模型。通过测试集进行预测并评估模型的性能。输出准确率accuracy和分类报告classification report。可视化部分测试结果展示模型的预测效果。 这个案例展示了如何使用神经网络模型来识别手写数字基于图片的像素值特征。模型训练完成后可以用于预测新图片中的数字并帮助解决实际的手写数字识别问题。
具体应用
对预测结果进行可视化展示 在预测结果后展示原始图片及其预测结果。
保存和加载训练好的模型 保存训练好的模型。加载已保存的模型进行预测。
import os
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.utils import to_categorical
from sklearn.datasets import load_digits
from PIL import Image # 用于加载自定义图片# 载入手写数字数据集
digits load_digits()
X digits.images
y digits.target# 预处理数据
X X / 16.0 # 将像素值归一化到 [0, 1]
y to_categorical(y, num_classes10) # 将标签转换为one-hot编码# 调整数据维度以适应TensorFlow模型
X X.reshape(-1, 8, 8, 1) # 使用-1使reshape自动计算样本数量# 拆分训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 创建神经网络模型
model Sequential([Flatten(input_shape(8, 8, 1)), # 展平输入图像Dense(128, activationrelu), # 隐藏层包含128个神经元Dense(64, activationrelu), # 隐藏层包含64个神经元Dense(10, activationsoftmax) # 输出层包含10个神经元对应10个类别
])# 编译模型
model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy])# 训练模型
model.fit(X_train, y_train, epochs20, batch_size32, validation_split0.2)# 保存训练好的模型
model.save(digit_recognition_model.h5)# 加载训练好的模型
# model load_model(digit_recognition_model.h5)# 评估模型
loss, accuracy model.evaluate(X_test, y_test)
y_pred model.predict(X_test)
y_pred_classes np.argmax(y_pred, axis1)
y_true np.argmax(y_test, axis1)print(fAccuracy: {accuracy})
print(Classification Report:)
print(classification_report(y_true, y_pred_classes))# 可视化部分测试结果
fig, axes plt.subplots(1, 5, figsize(10, 3))
for ax, image, prediction in zip(axes, X_test, y_pred_classes):ax.set_axis_off()image image.reshape(8, 8) # 确保图像形状正确ax.imshow(image, cmapplt.cm.gray_r, interpolationnearest)ax.set_title(fPred: {prediction})
plt.show()# 加载并预处理单张图片
def load_and_preprocess_image(filepath):img Image.open(filepath).convert(L) # 转换为灰度图像img img.resize((8, 8)) # 调整图像大小为8x8img np.array(img) / 16.0 # 归一化像素值img img.reshape(1, 8, 8, 1) # 调整图像维度return img# 加载并预处理文件夹中的所有图片
def load_images_from_folder(folder):images []filepaths []for filename in os.listdir(folder):if filename.endswith((png, jpg, jpeg)):filepath os.path.join(folder, filename)img load_and_preprocess_image(filepath)images.append(img)filepaths.append(filepath)return np.vstack(images), filepaths# 使用模型预测文件夹中的多张图片
def predict_custom_images_from_folder(folder):imgs, filepaths load_images_from_folder(folder)preds model.predict(imgs)pred_classes np.argmax(preds, axis1)return pred_classes, filepaths# 示例预测文件夹中的多张自定义图片并展示结果
custom_image_folder path/to/your/folder # 替换为自定义图片文件夹路径
predicted_classes, filepaths predict_custom_images_from_folder(custom_image_folder)# 打印预测结果并可视化
fig, axes plt.subplots(1, len(filepaths), figsize(15, 3))
for ax, filepath, pred_class in zip(axes, filepaths, predicted_classes):ax.set_axis_off()img Image.open(filepath).convert(L)img img.resize((8, 8))img np.array(imgax.imshow(img, cmapplt.cm.gray_r, interpolationnearest)ax.set_title(fPred: {pred_class})print(fThe predicted class for {filepath} is: {pred_class})
plt.show() a. 添加更多的训练数据来提高模型的准确性。
b. 使用混淆矩阵来详细分析模型的分类结果。
import os
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, confusion_matrix, ConfusionMatrixDisplay
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from sklearn.datasets import load_digits
from PIL import Image# 载入手写数字数据集
digits load_digits()
X digits.images
y digits.target# 预处理数据
X X / 16.0 # 将像素值归一化到 [0, 1]
y to_categorical(y, num_classes10) # 将标签转换为one-hot编码# 调整数据维度以适应TensorFlow模型
X X.reshape(-1, 8, 8, 1) # 使用-1使reshape自动计算样本数量# 拆分训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 再拆分训练集以创建验证集
X_train, X_val, y_train, y_val train_test_split(X_train, y_train, test_size0.2, random_state42)# 数据扩充
datagen ImageDataGenerator(rotation_range10,zoom_range0.1,width_shift_range0.1,height_shift_range0.1
)
datagen.fit(X_train)# 创建神经网络模型
model Sequential([Flatten(input_shape(8, 8, 1)), # 展平输入图像Dense(128, activationrelu), # 隐藏层包含128个神经元Dense(64, activationrelu), # 隐藏层包含64个神经元Dense(10, activationsoftmax) # 输出层包含10个神经元对应10个类别
])# 编译模型
model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy])# 训练模型
model.fit(datagen.flow(X_train, y_train, batch_size32), epochs20, validation_data(X_val, y_val))# 保存训练好的模型
model.save(digit_recognition_model.h5)# 加载训练好的模型
# model load_model(digit_recognition_model.h5)# 评估模型
loss, accuracy model.evaluate(X_test, y_test)
y_pred model.predict(X_test)
y_pred_classes np.argmax(y_pred, axis1)
y_true np.argmax(y_test, axis1)print(fAccuracy: {accuracy})
print(Classification Report:)
print(classification_report(y_true, y_pred_classes))# 生成混淆矩阵
cm confusion_matrix(y_true, y_pred_classes)
disp ConfusionMatrixDisplay(confusion_matrixcm, display_labelsnp.arange(10))
disp.plot(cmapplt.cm.Blues)
plt.show()# 可视化部分测试结果
fig, axes plt.subplots(1, 5, figsize(10, 3))
for ax, image, prediction in zip(axes, X_test, y_pred_classes):ax.set_axis_off()image image.reshape(8, 8) # 确保图像形状正确ax.imshow(image, cmapplt.cm.gray_r, interpolationnearest)ax.set_title(fPred: {prediction})
plt.show()# 加载并预处理单张图片
def load_and_preprocess_image(filepath):img Image.open(filepath).convert(L) # 转换为灰度图像img img.resize((8, 8)) # 调整图像大小为8x8img np.array(img) / 16.0 # 归一化像素值img img.reshape(1, 8, 8, 1) # 调整图像维度return img# 加载并预处理文件夹中的所有图片
def load_images_from_folder(folder):images []filepaths []for filename in os.listdir(folder):if filename.endswith((png, jpg, jpeg)):filepath os.path.join(folder, filename)img load_and_preprocess_image(filepath)images.append(img)filepaths.append(filepath)return np.vstack(images), filepaths# 使用模型预测文件夹中的多张图片
def predict_custom_images_from_folder(folder):imgs, filepaths load_images_from_folder(folder)preds model.predict(imgs)pred_classes np.argmax(preds, axis1)return pred_classes, filepaths# 示例预测文件夹中的多张自定义图片并展示结果
custom_image_folder path/to/your/folder # 替换为自定义图片文件夹路径
predicted_classes, filepaths predict_custom_images_from_folder(custom_image_folder)# 打印预测结果并可视化
fig, axes plt.subplots(1, len(filepaths), figsize(15, 3))
for ax, filepath, pred_class in zip(axes, filepaths, predicted_classes):ax.set_axis_off()img Image.open(filepath).convert(L)img img.resize((8, 8))img np.array(img)ax.imshow(img, cmapplt.cm.gray_r, interpolationnearest)ax.set_title(fPred: {pred_class})print(fThe predicted class for {filepath} is: {pred_class})
plt.show()
a. 使用更多的手写数字样本进行训练以提高模型对手写数字的识别能力。
b. 尝试使用不同的模型架构如卷积神经网络CNN以提高模型的识别准确率。
import os
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, confusion_matrix, ConfusionMatrixDisplay
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.models import Sequential, load_model
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from sklearn.datasets import load_digits
from PIL import Image# 载入手写数字数据集
digits load_digits()
X digits.images
y digits.target# 预处理数据
X X / 16.0 # 将像素值归一化到 [0, 1]
y to_categorical(y, num_classes10) # 将标签转换为one-hot编码# 调整数据维度以适应TensorFlow模型
X X.reshape(-1, 8, 8, 1) # 使用-1使reshape自动计算样本数量# 拆分训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 再拆分训练集以创建验证集
X_train, X_val, y_train, y_val train_test_split(X_train, y_train, test_size0.2, random_state42)# 数据扩充
datagen ImageDataGenerator(rotation_range5,zoom_range0.05,width_shift_range0.05,height_shift_range0.05
)
datagen.fit(X_train)# 创建神经网络模型
model Sequential([Flatten(input_shape(8, 8, 1)), # 展平输入图像Dense(128, activationrelu), # 隐藏层包含128个神经元Dense(64, activationrelu), # 隐藏层包含64个神经元Dense(10, activationsoftmax) # 输出层包含10个神经元对应10个类别
])# 编译模型
model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy])# 训练模型
history model.fit(datagen.flow(X_train, y_train, batch_size32), epochs20, validation_data(X_val, y_val))# 保存训练好的模型
model.save(digit_recognition_model.h5)# 加载训练好的模型
# model load_model(digit_recognition_model.h5)# 评估模型
loss, accuracy model.evaluate(X_test, y_test)
y_pred model.predict(X_test)
y_pred_classes np.argmax(y_pred, axis1)
y_true np.argmax(y_test, axis1)print(fAccuracy: {accuracy})
print(Classification Report:)
print(classification_report(y_true, y_pred_classes))# 生成混淆矩阵
cm confusion_matrix(y_true, y_pred_classes)
disp ConfusionMatrixDisplay(confusion_matrixcm, display_labelsnp.arange(10))
disp.plot(cmapplt.cm.Blues)
plt.show()# 可视化部分测试结果
fig, axes plt.subplots(1, 5, figsize(10, 3))
for ax, image, prediction in zip(axes, X_test, y_pred_classes):ax.set_axis_off()image image.reshape(8, 8) # 确保图像形状正确ax.imshow(image, cmapplt.cm.gray_r, interpolationnearest)ax.set_title(fPred: {prediction})
plt.show()# 加载并预处理单张图片
def load_and_preprocess_image(filepath):img Image.open(filepath).convert(L) # 转换为灰度图像img img.resize((8, 8)) # 调整图像大小为8x8img np.array(img) / 255.0 # 归一化像素值到 [0, 1]img img.reshape(1, 8, 8, 1) # 调整图像维度return img# 加载并预处理文件夹中的所有图片
def load_images_from_folder(folder):images []filepaths []for filename in os.listdir(folder):if filename.endswith((png, jpg, jpeg)):filepath os.path.join(folder, filename)img load_and_preprocess_image(filepath)images.append(img)filepaths.append(filepath)return np.vstack(images), filepaths# 使用模型预测文件夹中的多张图片
def predict_custom_images_from_folder(folder):imgs, filepaths load_images_from_folder(folder)preds model.predict(imgs)pred_classes np.argmax(preds, axis1)return pred_classes, filepaths# 示例预测文件夹中的多张自定义图片并展示结果
custom_image_folder path/to/your/folder # 替换为自定义图片文件夹路径
predicted_classes, filepaths predict_custom_images_from_folder(custom_image_folder)# 打印预测结果并可视化
fig, axes plt.subplots(1, len(filepaths), figsize(15, 3))
for ax, filepath, pred_class in zip(axes, filepaths, predicted_classes):ax.set_axis_off()img Image.open(filepath).convert(L)img img.resize((8, 8))img np.array(img)ax.imshow(img, cmapplt.cm.gray_r, interpolationnearest)ax.set_title(fPred: {pred_class})print(fThe predicted class for {filepath} is: {pred_class})
plt.show()
