【手写数字识别】数据挖掘实验二

用PyTorch实现MNIST手写数字识别（最新，非常详细）

Ⅰ、项目任务要求

任务描述：

• 图像识别（Image Recognition）是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。 图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。机器学习领域一般将此类识别问题转化为分类问题。

• 手写识别是常见的图像识别任务。计算机通过手写体图片来识别出图片中的字，与印刷字体不同的是，不同人的手写体风格迥异，大小不一，造成了计算机对手写识别任务的一些困难。 数字手写体识别由于其有限的类别（0~9共10个数字）成为了相对简单的手写识别任务。

• 此实验内容：分别采用决策树、KNN、朴素贝叶斯、SVM、BP、softmax、adaboost、袋装八种浅层学习分类方法中的任意二种方法（适于二人组）或 三种（适于三人组）对MNIST公共数据集、HWDG私有数据集进行分类，并写出实验结果分析。

• 说明：也可以多选方法做，比如四种、五种等。

主要任务要求(必须完成以下内容但不限于这些内容)：

• 1、采用MNIST公共数据集；或采用HWDG数据集为私有数据集，用爬虫工具或手工制作，有0-9手写数字共10类，样本总数不少于60个(相当于找60个人，每人都手写0-9数字，分别做好标签存成图片后再制成样本集。)
• 2、简述算法思想和实现原理。
• 3、写出实验结果分析：

  • (1) 数据集描述。包括数据集介绍、训练集和测试集介绍等。

  • (2) 实验运行环境描述。如开发平台、编程语言、调参情况等。

  • (3) 不同方法对MNIST数据集分类识别结果分析(不同方法识别对比率表及结果分析)，例如：
    

  • (4) 不同方法对HWDG数据集分类识别结果分析(不同方法识别率对比表及结果分析)。结果对比表如上表格式所示。

---

II、实现过程

数据集描述

• MNIST是一个包含数字0~9的手写体图片数据集，图片已归一化为以手写数 字为中心的28*28规格的图片。
• MNIST由训练集与测试集两个部分组成，各部分 规模如下：
  • 训练集：60,000个手写体图片及对应标签
  • 测试集：10,000个手写体图片及对应标签
    

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_scoreimport torch
import numpy as np
from matplotlib import pyplot as plt
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision import datasets
import torch.nn.functional as F"""
卷积运算 使用mnist数据集，和10-4，11类似的，只是这里：1.输出训练轮的acc 2.模型上使用torch.nn.Sequential
"""
# Super parameter ------------------------------------------------------------------------------------
batch_size = 64
learning_rate = 0.01
momentum = 0.5
EPOCH = 10# Todo：数据集准备 ------------------------------------------------------------------------------------
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))])
# softmax归一化指数函数(https://blog.csdn.net/lz_peter/article/details/84574716),其中0.1307是mean均值和0.3081是std标准差train_dataset = datasets.MNIST(root='./data/demo2', train=True, transform=transform,download=True)  # 本地没有就加上download=True
test_dataset = datasets.MNIST(root='./data/demo2', train=False, transform=transform,download=True)  # train=True训练集，=False测试集
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)# 展示数据（12个）
fig = plt.figure()
for i in range(12):plt.subplot(3, 4, i + 1)plt.tight_layout()plt.imshow(train_dataset.train_data[i], cmap='gray', interpolation='none')plt.title("Labels: {}".format(train_dataset.train_labels[i]))plt.xticks([])plt.yticks([])
plt.show()

---

实验运行环境描述

• 开发平台
• 编程语言
• 调参情况

---

KNN模型

KNN模型简介
KNN（K-Nearest Neighbors）算法是一种基本的机器学习方法，用于分类和回归问题。它的核心思想是：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法的步骤包括：计算待分类样本与训练集中样本的距离，选取距离最近的k个样本，根据这k个样本的类别进行投票（分类问题）或求平均（回归问题），将得票最多的类别或平均值作为待分类样本的预测类别或值。

• 优点：简单易懂，适用于小规模数据集，不需要训练过程，适用于多种类型的数据（数值型、离散型等）。
• 缺点：计算复杂度高，尤其在高维数据集上，存储空间大，对异常值敏感。

总之，KNN是一种直观、易于理解的算法，但在处理大规模高维度数据时性能可能受限。

调整的参数
KNN模型主要用到一个参数，即K值，它表示在预测时要考虑多少个最近邻居的信息。K值的选择对KNN模型的性能有很大影响。较小的K值会使模型更加敏感，容易受到噪声的影响，而较大的K值会使模型更加平滑，减小了波动。

• 选择合适的K值通常使用交叉验证（Cross Validation）的方法。在交叉验证中，将训练数据分成多个折叠（folds），然后使用其中一部分数据作为验证集，剩余的部分作为训练集，多次训练模型并计算模型在验证集上的性能。
• 通过比较不同K值下模型的性能，选择在验证集上性能最好的K值。

除了K值，KNN模型还可以使用不同的距离度量方法。在默认情况下，通常使用欧氏距离（Euclidean distance）作为距离度量，但可以根据具体问题选择其他距离度量方法，例如曼哈顿距离（Manhattan distance）或闵可夫斯基距离（Minkowski distance）等。不同的距离度量方法会影响模型的性能，因此在选择距离度量方法时也需要进行实验和比较。

# 准备数据
X_train = train_dataset.train_data.numpy().reshape(-1, 28 * 28)  # 将图像展平成一维数组
y_train = train_dataset.train_labels.numpy()
X_test = test_dataset.test_data.numpy().reshape(-1, 28 * 28)
y_test = test_dataset.test_labels.numpy()# 初始化并训练KNN模型
knn_classifier = KNeighborsClassifier(n_neighbors=3)  # 选择邻居数为3
knn_classifier.fit(X_train, y_train)# 预测并评估模型
y_pred = knn_classifier.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("KNN 模型在测试集上的准确率: {:.2f}%".format(accuracy * 100))

---

决策树模型

决策树模型简介
决策树模型是一种用于解决分类和回归问题的机器学习算法，模拟人类决策过程。它通过一系列特征判断将数据集分割成不同子集，最终确定数据属于哪个类别或预测数值。决策树由节点、边和叶节点组成，通过选择特征、递归划分和叶节点分类或回归构建。具有易解释性和适用性广泛的特点，但需要注意防止过拟合问题。

调整的参数
决策树模型有许多参数可以调整，不同的参数设置可以影响模型的性能和泛化能力。以下是一些常见的决策树模型参数，你可以根据具体的问题和数据集来调整它们：

1. 树的深度（max_depth）： 决定树的最大深度。如果设置得太大，容易过拟合；设置得太小，容易欠拟合。

2. 最小分割样本数（min_samples_split）： 一个节点在分裂前必须有的最小样本数。如果节点的样本数少于这个值，就不会再分裂。

3. 叶节点的最小样本数（min_samples_leaf）： 一个叶节点必须有的最小样本数。如果一个叶节点的样本数少于这个值，该叶节点会和兄弟节点一起被剪枝。

4. 最大特征数（max_features）： 在寻找最佳分割时考虑的特征数。可以是固定的整数，也可以是一个比例。

5. 节点分裂的标准（criterion）： 衡量节点纯度的方法，可以是基尼指数（‘gini’）或信息增益（‘entropy’）。

6. 决策树数量（n_estimators）： 仅在集成方法（如随机森林）中使用，指定树的数量。

7. 学习率（learning_rate）： 仅在梯度提升树（Gradient Boosting Trees）中使用，控制每棵树的贡献程度。

8. 子采样比例（subsample）： 仅在梯度提升树中使用，表示每棵树所使用的样本比例。

9. 正则化参数（alpha）： 控制树的复杂度，用于防止过拟合。

这些参数的最佳取值通常依赖于具体的数据集和问题。可以使用交叉验证等技术来选择最佳的参数组合，以提高模型的性能和泛化能力。

print("Training Decision Tree Classifier...")
decision_tree_classifier = DecisionTreeClassifier(random_state=42)
decision_tree_classifier.fit(X_train, y_train)# Predict and evaluate the model
y_pred = decision_tree_classifier.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Decision Tree Classifier Accuracy: {:.2f}%".format(accuracy * 100))

---

朴素贝叶斯模型

---

SVM模型

---

不同方法对MNIST数据集分类识别结果分析(不同方法识别对比率表及结果分析)

评估模型方法（准确率）
分类结果分析

完整代码