整理digit-recognizer幾種解決方案
先放上理想曲線:
幾種方法程式碼:
#!usr/bin/python
#codeing: utf-8
'''
Create on 2018-08-09
Author: Gunther17
Ctrl + 1: 註釋/反註釋
Ctrl + 4/5: 塊註釋/塊反註釋
Ctrl + L: 跳轉到行號
Tab/Shift + Tab: 程式碼縮排/反縮排
Ctrl +I:顯示幫助
'''
import os.path
import csv
import time
import numpy as np
import pandas as pd
from sklearn.decomposition import PCA
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
data_dir='D:\data Competition\digit-recognizer/'
#載入資料
def opencsv():
data_train=pd.read_csv(os.path.join(data_dir,'input/train.csv' ))
data_test=pd.read_csv(os.path.join(data_dir,'input/test.csv'))
train_data=data_train.values[0:,1:] #讀入全部訓練資料, [行,列]
train_label=data_train.values[0:,0] # 讀取列表的第一列
test_data=data_test.values[0:,0:] # 測試全部測試個數據
return train_data,train_label,test_data
def saveResults(result,csvName) :
with open(csvName,'w') as myfile:
'''
建立記錄輸出結果的檔案(w 和 wb 使用的時候有問題)
python3裡面對 str和bytes型別做了嚴格的區分,不像python2裡面某些函式裡可以混用。
所以用python3來寫wirterow時,開啟檔案不要用wb模式,只需要使用w模式,然後帶上newline=''
'''
mywrite=csv.writer(myfile)
mywrite.writerow(["ImageId","Label"])
index=0
for r in result:
index+=1
mywrite.writerow([index,int(r)])
print('Saved successfully....')
def knnClassify(traindata,trainlabel):
print('Train knn...')
knnClf=KNeighborsClassifier() # default:k = 5,defined by yourself:KNeighborsClassifier(n_neighbors=10)
knnClf.fit(traindata,np.ravel(trainlabel))# ravel/flattened 返回1維 array,其中flatten函式返回的是拷貝。.
return knnClf
def dtClassify(traindata,trainlabel):
print('Train decision tree...')
dtClf=DecisionTreeClassifier()
dtClf.fit(traindata,np.ravel(trainlabel))
return dtClf
def rfClassify(traindata,trainlabel):
print('Train Random forest...')
rfClf=RandomForestClassifier()
rfClf.fit(traindata,np.ravel(trainlabel))
return rfClf
def svmClassify(traindata,trainlabel):
print('Train svm...')
svmClf=SVC(C=4,kernel='rbf')
svmClf.fit(traindata,np.ravel(trainlabel))
return svmClf
def dpPCA(x_train,x_test,Com):
print('dimension reduction....')
trainData=np.array(x_train)
testData=np.array(x_test)
'''
n_components>=1
n_components=NUM 設定佔特徵數量比
0 < n_components < 1
n_components=0.99 設定閾值總方差佔比
'''
pca=PCA(n_components=Com,whiten=False)
pca.fit(trainData) #fit the model with X
pcaTrainData=pca.transform(trainData)# 在 X上進行降維
pcaTestData=pca.transform(testData)
#pca 方差大小 方差佔比 特徵數量
# print(pca.explained_variance_,'\n',pca.explained_variance_ratio_,'\n',pca.components_)
return pcaTrainData,pcaTestData
def dRecognition_knn():
start_time=time.time()
#load data
trainData,trainLabel,testData=opencsv()
print('load data finish...')
stop_time1=time.time()
print('load data take: %f' %(stop_time1-start_time))
#dimension reduction
trainData,testData=dpPCA(trainData,testData,0.8)
knnClf=knnClassify(trainData,trainLabel)
dtClf=dtClassify(trainData,trainLabel)
rfClf=rfClassify(trainData,trainLabel)
svmClf=svmClassify(trainData,trainLabel)
trainlabel_knn=knnClf.predict(trainData)
trainlabel_dt=dtClf.predict(trainData)
trainlabel_rf=rfClf.predict(trainData)
trainlabel_svm=svmClf.predict(trainData)
knn_acc=accuracy_score(trainLabel,trainlabel_knn)
print('knn train accscore:%f'%(knn_acc))
dt_acc=accuracy_score(trainLabel,trainlabel_dt)
print('dt train accscore:%f'%(dt_acc))
rf_acc=accuracy_score(trainLabel,trainlabel_rf)
print('rf train accscore:%f'%(rf_acc))
svm_acc=accuracy_score(trainLabel,trainlabel_svm)
print('svm train accscore:%f'%(svm_acc))
testLabel_knn=knnClf.predict(testData)
testLabel_dt=dtClf.predict(testData)
testLabel_rf=rfClf.predict(testData)
testLabel_svm=svmClf.predict(testData)
saveResults(testLabel_knn,os.path.join(data_dir,'output/Result_knn.csv'))
saveResults(testLabel_dt,os.path.join(data_dir,'output/Result_dt.csv'))
saveResults(testLabel_rf,os.path.join(data_dir,'output/Result_rf.csv'))
saveResults(testLabel_svm,os.path.join(data_dir,'output/Result_svm.csv'))
print('knn dt rf svm process finished ....')
stop_time2=time.time()
print('knn classification take:%f' %(stop_time2-start_time))
if __name__=='__main__':
dRecognition_knn()
最後附knn圖:
隨機森林圖:
方法二 cnn待更新:
環境:windows10,64 python報錯:
ImportError:no module named tensorflow.python
看來這裡涉及到安裝Win10下用Anaconda安裝TensorFlow
解決方案:TensorFlow目前在Windows下只支援Python 3.5版本。
用Anaconda安裝tensorflow, conda命令,這樣tensorflow cpu版本就安裝好了。
解除安裝了之前的 python 2.7
測試成功!
cnn code:
#!/usr/bin/python
# -*- coding: utf-8 -*-
"""
Created on Sat Aug 11 11:03:20 2018
@author: Gunther17
"""
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
import os
from keras.callbacks import ReduceLROnPlateau
from keras.layers import Conv2D, Dense, Dropout, Flatten, MaxPool2D
from keras.models import Sequential
from keras.optimizers import RMSprop
from keras.preprocessing.image import ImageDataGenerator
from keras.utils.np_utils import to_categorical # convert to one-hot-encoding
np.random.seed(2)
# 資料路徑
data_dir = 'D:\data Competition\digit-recognizer/'
# Load the data
train = pd.read_csv(os.path.join(data_dir, 'input/train.csv'))
test = pd.read_csv(os.path.join(data_dir, 'input/test.csv'))
X_train = train.values[:, 1:]
Y_train = train.values[:, 0]
test = test.values
# Normalization
X_train = X_train / 255.0
test = test / 255.0
# Reshape image in 3 dimensions (height = 28px, width = 28px , canal = 1)
X_train = X_train.reshape(-1, 28, 28, 1)
test = test.reshape(-1, 28, 28, 1)
# Encode labels to one hot vectors (ex : 2 -> [0,0,1,0,0,0,0,0,0,0])
Y_train = to_categorical(Y_train, num_classes=10)
# Set the random seed
random_seed = 2
# Split the train and the validation set for the fitting
X_train, X_val, Y_train, Y_val = train_test_split(
X_train, Y_train, test_size=0.1, random_state=random_seed)
# Set the CNN model
# my CNN architechture is In -> [[Conv2D->relu]*2 -> MaxPool2D -> Dropout]*2 -> Flatten -> Dense -> Dropout -> Out
model = Sequential()
model.add(
Conv2D(
filters=32,
kernel_size=(5, 5),
padding='Same',
activation='relu',
input_shape=(28, 28, 1)))
model.add(
Conv2D(
filters=32, kernel_size=(5, 5), padding='Same', activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(
Conv2D(
filters=64, kernel_size=(3, 3), padding='Same', activation='relu'))
model.add(
Conv2D(
filters=64, kernel_size=(3, 3), padding='Same', activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(256, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(10, activation="softmax"))
# Define the optimizer
optimizer = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)
# Compile the model
model.compile(
optimizer=optimizer, loss="categorical_crossentropy", metrics=["accuracy"])
epochs = 30
batch_size = 86
# Set a learning rate annealer
learning_rate_reduction = ReduceLROnPlateau(
monitor='val_acc', patience=3, verbose=1, factor=0.5, min_lr=0.00001)
datagen = ImageDataGenerator(
featurewise_center=False, # set input mean to 0 over the dataset
samplewise_center=False, # set each sample mean to 0
featurewise_std_normalization=False, # divide inputs by std of the dataset
samplewise_std_normalization=False, # divide each input by its std
zca_whitening=False, # apply ZCA whitening
rotation_range=10, # randomly rotate images in the range (degrees, 0 to 180)
zoom_range=0.1, # Randomly zoom image
width_shift_range=0.1, # randomly shift images horizontally (fraction of total width)
height_shift_range=0.1, # randomly shift images vertically (fraction of total height)
horizontal_flip=False, # randomly flip images
vertical_flip=False) # randomly flip images
datagen.fit(X_train)
history = model.fit_generator(
datagen.flow(
X_train, Y_train, batch_size=batch_size),
epochs=epochs,
validation_data=(X_val, Y_val),
verbose=2,
steps_per_epoch=X_train.shape[0] // batch_size,
callbacks=[learning_rate_reduction])
# predict results
results = model.predict(test)
# select the indix with the maximum probability
results = np.argmax(results, axis=1)
results = pd.Series(results, name="Label")
submission = pd.concat(
[pd.Series(
range(1, 28001), name="ImageId"), results], axis=1)
submission.to_csv(os.path.join(data_dir, 'output/Result_keras_CNN.csv'),index=False)
print('finished')
- 貼上結果:
- trick沒有任何意義:就是拿已經知道的資料集MINIST來訓練。接下來就當玩玩。。。
來Atrain.csv訓練,然後進行測試。
資料太大了執行好長時間
- 如果用cnn訓練所有資料,trick效果是0.99942 參見2.
相關推薦
整理digit-recognizer幾種解決方案
先放上理想曲線: 幾種方法程式碼: #!usr/bin/python #codeing: utf-8 ''' Create on 2018-08-09 Author: Gunther17 Ctrl + 1: 註釋/反註釋 Ctrl + 4
502的幾種解決方案
限制 文件中 tps 運行 pro https pac time 文件 1.FastCGI進程是否已經啟動2.FastCGI worker進程數是否不夠運行 netstat -anpo | grep “php-cgi” | wc -l 判斷是否接近FastCGI進程,接近配
清除float浮動造成影響的幾種解決方案
cor 解決 元素 height blog con ext style oat 1. “清除浮動” ??準確的描述應該是“清除浮動造成的影響” 學習浮動推薦的視頻教程《CSS深入理解之float浮動》 2.如何清除浮動造成
類成員函數不能作為普通函數地址傳遞給普通函數指針,幾種解決方案
設置 函數指針 glut idle llb .sh c函數 open 百度 代碼如下 #include <iostream> using namespace std; class A { public: int i; public: void
實現在線預覽PDF的幾種解決方案
動態 api for ive pdf span www 控制器 動態顯示 原文:實現在線預覽PDF的幾種解決方案因客戶需要實現PDF的預覽處理,在網上找了一些PDF在線預覽的解決方案,有的用PDFJS的在線預覽方式,有的使用PDFObject的嵌入式顯示,有的通過轉換JPG
生成分散式唯一ID的幾種解決方案
分散式ID的特性 唯一性:確保生成的ID是全網唯一的。 有序遞增性:確保生成的ID是對於某個使用者或者業務是按一定的數字有序遞增的。 高可用性:確保任何時候都能正確的生成ID。 帶時間:ID裡面包含時間,一眼掃過去就知道哪天的交易。 1. UUID UUID
關於Android熱修復的幾種解決方案
文中引用到的一些部落格: http://www.jianshu.com/p/0a31d145cad2 https://mp.weixin.qq.com/s?__biz=MzI1MTA1MzM2Nw==&mid=400118620&idx=1&sn=b4fdd5055731290eef
分散式事物幾種解決方案
本文只做引薦,大概說一些自己的理解 分散式事物幾種解決方案 分散式不存在絕對的事物處理!!! 大概四種解決方案 基於訊息佇列最終一致性; TCC型解決方案; 二階段提交強一致性; LCN:https://github.com/coding
org.apache.ibatis.binding.BindingException: Invalid bound statement (not found)錯誤幾種解決方案
報錯資訊: org.apache.ibatis.binding.BindingException: Invalid bound statement (not found): com.study.server.mapper.UserMapper.insert at org.apache.ibat
分類任務中資料類別不平衡問題的幾種解決方案
類別不平衡(class-imbalance),是指分類任務中不同類別的訓練樣例數目差別很大的情況(例如,訓練集正類樣例10個,反類樣例90個),本文假設正類樣例較少,反類樣例較多。 現有解決方案大體分為三類,如下文所示。 欠取樣(undersampling) 欠取樣方法,即去除一
Android的延遲實現的幾種解決方案以及原理分析
寫這篇文章的目的,是看到群裡有人在實現延遲的時候,用如下的第四種方法,個人感覺有點不妥,為了防止更多的人有這種想法,所以自己抽空深入分析,就分析的結果,寫下此文,希望對部分人有啟示作用。 1.實現延遲的幾種方法? 答: 1.java.util.Time
清除浮動,clearfix的幾種解決方案
之前給大家介紹兩種浮動閉合的辦法CSS清除浮動 萬能float閉合,得知很多同學都在使用下面的骨灰級解決辦法: .clear{clear:both;height:0;overflow:hidden;} 上訴辦法是在需要清除浮動的地方加個div.clear或者
降低資料壓力的幾種解決方案
在現代的軟體系統中,幾乎所有的系統都使用到了資料庫,不論是關係型資料,例如MySql、SQLite、Oracle、SQLServer等,還是非關係性資料,例如mongoDB、redis等。本文已web系統為例來闡述為什麼要降低資料庫的壓力,在提出具體方案之前先大
開機慢的幾種解決方案--網絡卡原因
你可能有這樣的體會,開機進入桌面後,點選桌面上的圖示,點這個沒反應,點那個也沒反應,直至耐著性子等了許久後,這些程式才象從沉睡中突然甦醒過來似 的,猛地一下子全彈出來,真是叫人火冒三丈。這個原因是Windows設計欠佳造成的。Windows啟動進入桌面後,還繼續
深度學習:欠擬合問題的幾種解決方案
我最近做深度學習在連續中文語音識別方向的應用的時候,根據一些論文和網上一些公開程式碼和模型結構,設計了一個神經網路的模型。但是在訓練的時候,就首先遇到了很讓人頭疼的欠擬合問
SQL SERVER 2008資料丟失幾種解決方案
一、事務處理 --資料還原到指定時間點的處理示例 --建立測試資料庫 CREATE DATABASE Db GO --對資料庫進行備份 BACKUP DATABASE Db TO DISK='c:\db.bak' WITH FORMAT GO --建立測試表 CREATE
分散式事務幾種解決方案
分散式事務四種解決方案希望對需要解決分散式事務的人,提供點小小幫助: 1.基於訊息佇列最終一致性:https://github.com/yu199195/myth 2.TCC型解決方案:https://github.com/yu199195/happylifeplat-tcc 3.二階段提交強一致性:htt
實現線上預覽PDF的幾種解決方案
因客戶需要實現PDF的預覽處理,在網上找了一些PDF線上預覽的解決方案,有的用PDFJS的線上預覽方式,有的使用PDFObject的嵌入式顯示,有的通過轉換JPG/PNG方式實現間接顯示的方式,開始是想通過簡單的方式,能夠使用JS外掛實現預覽最好,可是線上預覽總是有一些不足,如不同瀏覽器的相容問題,甚至不同的
Web開發中跨域的幾種解決方案
隨著Web App的功能越來越強 各種跨域的需求催生了無數的跨域手法。甚至在HTML5標準中都給出了官方的跨域方法, 也是最近應付面試的需要,拿一篇文章來總結既有的各種跨域手段。 這些跨域通訊的方法大致可以分為兩類: 一類是Hack,比如通過title, navigation等物件傳遞資訊,JSONP可
跨站指令碼攻擊(XSS)幾種解決方案淺析
一、概述 Cross-site scripting(CSS or XSS)跨站指令碼不像其他攻擊只包含兩個部分:攻擊者和web站點,跨站指令碼包含三個部分:攻擊者,客戶和web站點。跨站指令碼攻擊的目的是竊取客戶的cookies,或者其他可以證明使用者身份的敏