菜鸟独白

前段时间一直在写各种榜单，2017电影榜单，基金榜单，Github榜单上的库等等,玩的不亦乐乎！机器学习前面写了一篇(小白入门最简单的机器学习算法)偷懒没有继续写。其实学和玩是不矛盾的，个人对数据分析一直非常好奇，只是数据分析和数据挖掘是两个完全不同的维度，一个趋于表象，一个趋于内在，各有千秋，但是都很有趣。今天我接着来分享一篇好玩的机器学习例子，我们如何识别手写数字。

怎么玩呢：

了解这个5000多个手写数子

清洗数据并用机器学习算法训练

让机器来识别数字

超参数调整提高准确率

1.介绍一下这个数据集

这个数据集也是非常有名的，是入门的经典数据集，而且时间也蛮久的了！大概在1998年就有的这个数据集，大概情况如下：

一共有5620个数据

每一个数据有64个属性(特征)

这64个特征其实是一个8*8的像素点，每个像素点的取值在0-16之间

这数据集8*8 其实就是一个手写的数字，数字是0-9之间的任意一个数字

2.导入数据集

这个数据集已经直接内置在sklearn里面了，非常方便.它内置了很多好玩的数据集，对于刚开始学机器学习的同学来说，建议先从清洗过的数据集开始练手，然后慢慢的再用原始的复杂的数据集.

1).从sklearn导入数据

这个数据集和iris鸢尾花很类似，有data,target,target_names,image,DESCR五个属性.非常标准的一个数据集.

sklean里的数据仅收入了1797个数据，规模比5000小很多，仅有三分之一左右. 但是对于我们新手来说足够了.

2).看一下手写数字长啥样

有同学会问不是说都是手写数字吗，怎么都是一个一个矩阵啊，好我们就来看一下手写数字长啥样:

我们从数据集中选一个编号为111的数

第111个数其实是一个array,里面有64个数字，我们图像化一下：

我们人眼识别一看就知道是一个数字4，好我们看一下target里面的值是不是也是4:

y=digits.target

y[111]

>>4

target里面也是4，说明我人眼识别看的是对的

3.把数据喂给机器

这里我们依然采用knn(k邻近算法前面我详细介绍过)来训练这个数据集.

1).机器学习有一个套路，就是三板斧：

分割数据，划出训练数据，测试数据

找到算法模型，训练数据

测试模型准确率，然后调参

训练完数据之后我们的准确率有98.33%，还是蛮高的！

2).让机器来预测数据

比如我们从测试集里面随机抽一个数据，让机器去识别：

这是一个数字2，好我们用刚才的模型让机器去识别一下，看他能不能读出来

knn.predict(X_test[10])

>>

array([2])

牛逼啊，如果我们给这个算法套一个外壳，前端用摄像头读取数字，后台用这套算法去训练，然后用语音去播报数字，就是一个小小数字识别机器人啦！当然这个想法比较简陋～～

4.提高准确率

我们的knn这个算法有很多参数可以调，大家可以去 sklearn官网查一下

class sklearn.neighbors.KNeighborsRegressor(n_neighbors=5, weights=’uniform’, algorithm=’auto’, leaf_size=30, p=2, metric=’minkowski’, metric_params=None, n_jobs=1, **kwargs)

上面都是默认参数，这里我们调整下面几个参数:

n_neighbors：邻近值我们搜索从1到10

weights：权重有两种"uniform,distance"

p:p值不通，代表不同的距离类型，比如p=1为曼哈顿距离，p=2为欧氏距离

其实对参数的调整，需要对这个算法有深入的认识，比如权重的选择什么时候应该用unifrom(统一选择法)，什么时候用distance(距离选择法),二者之间的区别是什么,最后我们看一下搜索网格参数之后最佳系统参数是多少：

gird_search.best_params_

>>

{'n_neighbors': 1, 'weights': 'uniform'}

gird_search.best_score_

>>

0.98440979955456576

原来我们的准确率为98.3%,最后用网格搜索发现最佳的参数是k=1,weights='unifrom',调参数之后变成了98.44%,如果我们继续大范围的调整更多的相关参数，准确率有可能更高！当然如果样本越大的话，准备率也会提高！

结论：

机器学习对数学知识真的要求很高，越往深研究，越发现自己的数学知识很浅薄！同时机器学习也很可怕，因为一旦大量的数据喂个机器之后，机器进行学习，它就有了识别和预测的能力，可以说是一种武器或者是双刃剑，善加利用对我们的工作学习，帮忙非常大，因为它的速度真的太快了！

End.

运行人员：中国统计网小编

中国统计网，是国内最早的大数据学习网站

//