Python不同方法实现手写数字识别结果和代码

一.背景

手写数字识别是符号识别的一个分支，虽然只是识别简单的10个数字，但却有着非常大的实用价值。在我们的日常生活中，每天都要进行大量的文档处理工作，比如税单，银行支票，汇款单，信用卡账单的处理，以及邮局信函的分检等等，如何利用计算机字符识别和文档处理技术，使人们从这些繁重的手工劳动中解放出来已成为个迫切需要解决的问题。另外随着平板电脑和触摸屏手机的普及，手写输入成为了很多人的主要输入方式。手写数字虽然只有10个种类，但很多情況下对识别的精度要求非常高，而且每个人都有不同的字迹，要做到准确地识别还是有一定难度的。况且在实际应用中，手写数字识别的精确度要求要比汉字严格的多，因为数字识别经常用在财务、金融等领域。

二.数据集

数据集采用scikit-learn中的自带数据中的手写数字，数据集来源：
https://archive.ics.uci.edu/ml/datasets/Pen-Based+Recognition+of+Handwritten+Digits，
这其中包括了1797张88的图像，每个图像，如下图所示，都是手写数字，为了计算机可以使用这样的88像素图形，我们必须首先将其转换为长度为64的特征向量。其中我们用到Python自带数据集中的digits.data和digits.target，data里面是1797个类似如图的样本，target里面是标签，也就是每张图片对应的数字。

数字0-9：

三.方法

采用共4种不同的方法：

多项逻辑回归（Multinomial Logistic Regression， MLR）
朴素贝叶斯高斯模型（Gaussian Model of Naive Bayesian， GNB）
线性判别分析（(Linear Discriminant Analysis， LDA）
支持向量机（Support Vector Machine， SVM）

四.结果和讨论

多项逻辑回归结果

热力图：

图片说明：数字1的识别错误了10个，分别误判为一个3，一个6，两个8，六个9。

朴素贝叶斯高斯模型结果

热力图：

线性判别分析结果

热力图：

支持向量机结果

热力图：

五.结论

对于误判的数字，四种方法多多少少都有相同点，比如对于数字6，后三种方法都把一个数字1识别成了数字6；对于数字8，都有把数字9识别成了数字8；对于数字9，都有把数字0识别成了数字9。不论哪种方法，对有的数字都识别不清，说明有一些手写数字很难识别，可能是因为笔记不清晰，手写的不清楚会对机器的识别增加难度，这会在应用到实际生活中出现相同问题，即误判，比如有一些人可能写出来的数字有连笔或模糊不清，这就需要机器识别具有很高的精度，不然会造成损失和麻烦。

方法	正确率
多项逻辑回归	91.7%
朴素贝叶斯高斯模型	82.3%
线性判别分析	92.1%
支持向量机	91.7%

多项式逻辑回归，线性判别分析和支持向量机模型的正确率达到了90%以上，应用支持向量机模型的方法正确率最高，达到了96.9%，而朴素贝叶斯高斯模型则效果不太理想，正确率仅有82.3%，还需改进。

六.代码

import matplotlib.pyplot as plt
import numpy as npfrom sklearn.linear_model import LogisticRegression
from sklearn import datasets, svm, metrics
from sklearn.naive_bayes import GaussianNB
from sklearn.discriminant_analysis import LinearDiscriminantAnalysisimport seaborn as sns
from sklearn.metrics import confusion_matrix
digits = datasets.load_digits()#导入数据包#digits: bunch类型
print(type(digits))#digits 包含的数据结构，字典类型数据key，value
print('digits.keys() = ',digits.keys())#imgaes 是一个三维矩阵1797 张 8 * 8的图片
print('digits.images.shape = ',digits.images.shape)
print('digits.images = ',digits.images)
plt.gray()
plt.matshow(digits.images[0])
plt.matshow(digits.images[1])
plt.matshow(digits.images[2])
plt.matshow(digits.images[3])
plt.matshow(digits.images[4])
plt.matshow(digits.images[5])
plt.matshow(digits.images[6])
plt.matshow(digits.images[7])
plt.matshow(digits.images[8])
plt.matshow(digits.images[9])
plt.show()#show数字0-9示例#data中包含1797个样本，每个样本包括8*8像素的图像，其实就是将8*8 的images按行展开成一行
print('digits.data.shape = ',digits.data.shape)
print('digits.data = ',digits.data)
#target 是一个1797维度的Vector，指明每张图片的标签，也就是每张图片代表的数字
print('digits.target.shape = ',digits.target.shape)
print('digits.target = ',digits.target)
#数据集中所有标签值,[0,1,2,3,4,5,6,7,8,9]
print('digits.target_names.shape = ',digits.target_names.shape)
print('digits.target_names = ',digits.target_names)
print('digits.DESCR = ', digits.DESCR)images_and_labels = list(zip(digits.images, digits.target))
for index, (image, label) in enumerate(images_and_labels[:4]):
#subplot的含义是将图分成一个2行4列的区域，然后随着index变化来显示图片
plt.subplot(2, 4, index + 1)
#关掉图像的坐标
plt.axis('off')
#image是要绘制的图像或者数组，cmp是颜色图谱，
plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')
#标题
plt.title('Training: %i' % label)plt.show()
n_samples = len(digits.images)
n_samples = len(digits.images)print('number of sample:%s' % n_samples)
data = digits.images.reshape((n_samples, -1))#创建一个分类器
classifier = LogisticRegression()#多项逻辑回归
#classifier = GaussianNB()朴素贝叶斯高斯模型
#classifier = LinearDiscriminantAnalysis()线性判别分析
#classifier = svm.SVC(gamma=0.001)支持向量机classifier.fit(data[:int(n_samples / 2)], digits.target[:int(n_samples / 2)])
expected = digits.target[int(n_samples / 2):]
predicted = classifier.predict(data[int(n_samples / 2):])
print("Classification report for classifier %s:\n%s\n"      % (classifier, metrics.classification_report(expected, predicted)))
print("Confusion matrix:\n%s" % metrics.confusion_matrix(expected, predicted))
images_and_predictions = list(zip(digits.images[int(n_samples / 2):], predicted))
for index, (image, prediction) in enumerate(images_and_predictions[:4]):plt.subplot(2, 4, index + 5)plt.axis('off')plt.imshow(image, cmap=plt.cm.gray_r, interpolation='nearest')plt.title('Prediction: %i' % prediction)
plt.show()
#热力图
f, ax = plt.subplots(figsize = (6,4))
mat = confusion_matrix(expected, predicted)sns.heatmap(mat, square=True, annot=True, cbar=False,)plt.xlabel('predicted value')#横轴为预测值
plt.ylabel('true value')#纵轴为真实值
plt.show()