手写数字识别
使用 SVM、决策树和随机森林进行手写数字识别
MNIST 数据集已经在 Datasets 文件夹下给出。
svmfile.py 直接在 mnist 数据集上使用 svm。 Decisiontreefile.py 与 mnist 数据集上的决策树一起使用。 randomforestsfile.py 适用于 mnist 数据集上的随机森林。
在源代码中，一些行被注释。 特别是对不太成功的不同内核进行了评论。 您可以取消注释它们以使用不同的内核测试系统。
对于决策树分类，最后绘制决策树。 为了更准确地看到它，请放大，因为决策树有点大。
mnist 数据集的加载器取自： : 其用法： from mnist import MNIST mndata = MNIST('./dir_with_mnist_data_files') mndata.load_training() mn
2021-10-30 12:30:11
10.96MB
1
NIST手写数字识别问题的单神经元模型实践
按课程案例，动手完成编码实践。
在不改变模型的结构基础上，尝试采用不同的学习率、单批次样本数、训练轮数等超参数，让模型的准确率达到90%。
提交要求：
1、你认为最优的一次带运行结果的源代码文件（.ipynb 格式）
2、作为附件上传
评分标准：
1、完成案例中的代码，有完整的代码，模型能运行，准确率达87%以上；得6分；
2、准确率达89%以上；再得2分，否则得0分；
3、准确率达90%以上；再得2分，否则得0分；
代码：
import tensorflow.compat.v1 as tf
import matplotlib.pyplot as p
2021-10-24 11:42:10
80KB
1
本基于BP神经网络和卷积神经网络对手写数字识别进行研究，使用10000张已标注的大小为28*28的手写数字图片进行训练和测试，从所有图片中随机选出9000张作为训练样本对网络进行训练，另外1000张作为测试样本用于测试网络的识别效果。其中BP神经网络采用了逐像素特征提取法、数字骨架特征提取（包括粗网格特征提取、笔画密度提取、外轮廓特征提取、像素百分比特征提取四种方法）以及主成分分析法提取像素特征信息，将获得的特征信息作为网络输入进行训练。在Matlab环境下，编程分别对训练样本进行训练，测试样本进行测试识别，得到分类结果和正确率，然后对每种结果进行对比，可比较BP神经网络和卷积神经网络的优劣性
2021-10-20 11:49:40
5.44MB
1
python softmax实现手写数字识别， deep learning 使用python TensorFlow实现
2021-10-19 21:07:29
6KB
1