使用逻辑回归进行MNIST数据集分类 - CSDN文库

98 浏览量更新于2023-05-04 3 收藏 54KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源推荐

使用逻辑回归进行使用逻辑回归进行MNIST数据集分类数据集分类

MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28

* 28像素的灰度手写数字图片。

import time

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn import datasets

from sklearn.preprocessing import StandardScaler

from sklearn.datasets import fetch_openml #从openml.org网站导入数据

from sklearn.utils import check_random_state

t0=time.time()

train_samples=5000

#载入数据集

X, y = fetch_openml('mnist_784', version=1, return_X_y=True)

print(X.shape,y.shape)

#可视化样本，图形化显示前6个数据

fig,ax=plt.subplots(nrows=2,ncols=3,sharex='all',sharey='all')

ax = ax.flatten()

for i in range(6):

img=X[i].reshape(28,28)

ax[i].matshow(img)

plt.show()

random_state = check_random_state(0)

permutation = random_state.permutation(X.shape[0]) #随机排序序列

X = X[permutation] y = y[permutation] X = X.reshape((X.shape[0], -1))

X_train,X_test,y_train,y_test=train_test_split(X,y,train_size=train_samples,test_size=10000)

#数据进行标准化处理

scaler=StandardScaler()

X_train=scaler.fit_transform(X_train)

X_test=scaler.transform(X_test)

#训练模型

clf=LogisticRegression(C=50. / train_samples, penalty='l1', solver='saga', tol=0.1)

clf.fit(X_train,y_train)

score=clf.score(X_test,y_test)

sparsity = np.mean(clf.coef_ == 0) * 100 #稀疏性

print("Sparsity with L1 penalty: %.2f%%" % sparsity)

print("Test score with L1 penalty: %.4f" % score)

#画图,为什么要给系数画图呢？

coef = clf.coef_.copy()

print(coef.shape)

plt.figure(figsize=(10, 5))

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

weixin_38500572

粉丝: 6
资源: 926

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈