kaggle入门之Digital Recognition（数字识别）

快来打我* 2022-03-11 00:56 150阅读 0赞

# #

##  python 版本：python 3.7 ##

## 1.获取数据 ##

## **2.分析train.csv数据** ##

train.csv是训练样本集，大小42001\*785，第一行是文字描述，所以实际的样本数据大小是42000\*785，其中第一列的每一个数字是它对应行的label，可以将第一列单独取出来，得到42000\*1的向量trainLabel，剩下的就是42000\*784的特征向量集trainData，所以从train.csv可以获取两个矩阵trainLabel、trainData。

def loadTrainData():
        l=[]
        with open('train.csv') as file:
             lines=csv.reader(file)
             for line in lines:
                 #把数据一行行存入列表
                 l.append(line) #42001*785
        #删除第一行文字描述( 42000*785)
        l.remove(l[0])
        #使用numpy包中的array()函数把列表l转换为数组
        l=array(l)
        #截取数组的第一列，即标签向量列(42000*1)
        label=l[:,0]
        #截取数组除第一列外所有数据(42000*784)
        data=l[:,1:]
        return nomalizing(toInt(data)),toInt(label)

这里还有两个函数需要说明一下，toInt()函数，是将字符串转换为整数，因为从csv文件读取出来的，是字符串类型的，比如‘253’，而我们接下来运算需要的是整数类型的，因此要转换，int(‘253’)=253。toInt()函数如下：

def toInt(array):
        #调用numpy中mat()函数将数组转换为矩阵，然后可以对矩阵进行一些线性代数的操作。
        array=mat(array)
        #调用numpy中的shape()函数求出矩阵的维度
        m,n=shape(array)
        #调用numpy中的zeros()函数生成一个和所求矩阵同维度(m,n)大小的以 0 填充的矩阵
        newArray=zeros((m,n))
        for i in range(m):
            for j in range(n):
                    newArray[i,j]=int(array[i,j])
        return newArray

nomalizing()函数做的工作是归一化，因为train.csv里面提供的表示图像的数据是0～255的，为了简化运算，我们可以将其转化为二值图像，因此将所有非0的数字，即1～255都归一化为1。nomalizing()函数如下：

def nomalizing(array):
        #调用numpy中的shape()函数求出矩阵的维度
        m,n=shape(array)
        for i in range(m):
            for j in range(n):
                if array[i,j]!=0:
                    array[i,j]=1
        return array

## **3.分析test.csv数据** ##

test.csv里的数据大小是28001\*784，第一行是文字描述，因此实际的测试数据样本是28000\*784，与train.csv不同，没有label，28000\*784即28000个测试样本，我们要做的工作就是为这28000个测试样本找出正确的label。所以从test.csv我们可以得到测试样本集testData，代码如下：

def loadTestData():
        l=[]
        with open('test.csv') as file:
             lines=csv.reader(file)
             for line in lines:
                 l.append(line)
         #28001*784 -----> 28000*784
        l.remove(l[0])
        data=array(l)
        return nomalizing(toInt(data))

到这里，数据分析和处理已经完成，我们获得的矩阵有：trainData、trainLabel、testData

## **4.算法设计** ##

这里我们采用kNN算法来分类，核心代码：

def classify(inX, dataSet, labels, k):
        #待分类的输入向量inX,输入的训练样本集dataset，标签向量labels, k表示用于选择最近邻居的数目
        #调用numpy中mat()函数将输入向量inX转换为矩阵，然后可以对矩阵进行一些线性代数的操作。
        inX=mat(inX)
        dataSet=mat(dataSet)
        labels=mat(labels)
        #获取训练样本集dataSet的行数
        dataSetSize = dataSet.shape[0]      
        #先把标签向量重复dataSet行 1列生成一个和dataSet同维度的矩阵再减去dataSet            
        diffMat = tile(inX, (dataSetSize,1)) - dataSet   
        sqDiffMat = array(diffMat)**2
        #将矩阵每一行里面的所有元素相加形成一个dataSize行 1列的矩阵
        sqDistances = sqDiffMat.sum(axis=1)                  
        distances = sqDistances**0.5
        #将所求距调用numpy中的argsort()函数离排序
        #argsort()函数是将x中的元素从小到大排列，提取其对应的index(索引号) 
        sortedDistIndicies = distances.argsort()            
        classCount={}                                      
        for i in range(k):
            voteIlabel = labels[0,sortedDistIndicies[i]]
            classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
        #函数 sorted 方法返回的是一个新的 list
        #  key=operator.itemgetter(1), reverse=True 以第二个值【itemgetter(1)】降序排列
        sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
        return sortedClassCount[0][0]

简单说明一下，inX就是输入的单个样本，是一个特征向量。dataSet是训练样本，对应上面的trainData，labels对应trainLabel，k是knn算法选定的k，一般选择0～20之间的数字。这个函数将返回inX的label，即图片inX对应的数字。  
对于测试集里28000个样本，调用28000次这个函数即可。

## **5.保存结果** ##

kaggle上要求提交的文件格式是csv，上面我们得到了28000个测试样本的label，必须将其保存成csv格式文件才可以提交

代码:

def saveResult(result):
        with open('result.csv','w',newline = '') as myFile:    
            myWriter=csv.writer(myFile)
            for i in result:
                tmp = []
                tmp.append(i)
                myWriter.writerow(tmp)

## **6.综合各函数** ##

上面各个函数已经做完了所有需要做的工作，现在需要写一个函数将它们组合起来解决digit recognition这个题目。我们写一个handwritingClassTest函数，运行这个函数，就可以得到训练结果result.csv。

def handwritingClassTest():
        trainData,trainLabel=loadTrainData()
        testData=loadTestData()
        m,n=shape(testData)
        errorCount=0
        resultList=[]
        for i in range(m):
             classifierResult = classify(testData[i], trainData, trainLabel, 5)
             resultList.append(classifierResult)
             print ("the classifier came back with: %d" % classifierResult)          
        saveResult(resultList)

7.kaggle 提交结果

![20190418192417627.PNG][]

8.参考文献(刚开始学机器学习，第一次做kaggle上的题，所以这篇博客基本上基本上是翻译下面这篇博客)

参考博客：[https://blog.csdn.net/u012162613/article/details/41929171][https_blog.csdn.net_u012162613_article_details_41929171]

[20190418192417627.PNG]: /images/20220311/0d4d8724e0254656815afef42adac8d9.png
[https_blog.csdn.net_u012162613_article_details_41929171]: https://blog.csdn.net/u012162613/article/details/41929171