学习支持向量机数字识别

Question

我想制作一个程序来识别图像中的数字。我遵循科学知识学习中的教程。

我可以训练和安装svm分类器，如下所示。

首先，导入库和数据集。

from sklearn import datasets, svm, metrics

digits = datasets.load_digits()
n_samples = len(digits.images)
data = digits.images.reshape((n_samples, -1))

其次，建立支持向量机模型，并利用数据集对其进行训练。

classifier = svm.SVC(gamma = 0.001)
classifier.fit(data[:n_samples], digits.target[:n_samples])

然后，我试着读取自己的图像，并使用函数predict()来识别数字。

这是我的形象：

​

I将图像整形为(8，8)，然后将其转换为1D数组.。

img = misc.imread("w1.jpg")
img = misc.imresize(img, (8, 8))
img = img[:, :, 0]

最后，当我打印出预测时，它返回1

predicted = classifier.predict(img.reshape((1,img.shape[0]*img.shape[1] )))
print predicted

无论我使用其他图像，它仍然返回1。

​

​

当我打印数字"9“的"default”dataset时，它看起来如下：

​

我的图像号码"9“：

​

​

你可以看到，对于我的图像来说，非零的数字是相当大的。

我不知道为什么。我正在寻求帮助来解决我的问题。谢谢

Answer 1

我最好的选择是，您的数据类型和数组形状存在问题。

看起来，您正在对np.float64类型的numpy数组进行培训(或者在32位系统上可能是np.float32，我不记得了)，并且每个图像的形状都是(64,)。

同时，在代码中调整大小操作之后，用于预测的输入图像是uint8和shape (1, 64)类型。

我首先尝试更改输入图像的形状，因为dtype转换通常就像您预期的那样工作。因此，请更改这一行：

predicted = classifier.predict(img.reshape((1,img.shape[0]*img.shape[1] )))

对此：

predicted = classifier.predict(img.reshape(img.shape[0]*img.shape[1]))

如果这不能修复它，则始终可以尝试重铸数据类型。

img = img.astype(digits.images.dtype)。

我希望这能帮上忙。通过代理进行调试比实际坐在计算机前要困难得多:)

编辑:根据SciPy文档，培训数据包含从0到16的整数值。输入图像中的值应该缩放以适应相同的间隔。(位数)

Answer 2

1)你需要建立你自己的训练集--基于与你所做的预测相似的数据。在scikit-learn中对datasets.load_digits()的调用是加载MNIST数字数据集的预处理版本，据我们所知，该数据集的图像可能与您试图识别的图像非常不同。

2)正确设置分类器的参数。对svm.SVC(gamma = 0.001)的调用只是在SVC中选择γ参数的任意值，这可能不是最佳选择。此外，您没有配置C参数--这对于SVMs非常重要。我敢打赌，这就是为什么你的输出“总是1”的原因之一。

3)无论您为您的模型选择何种最终设置，您都需要使用交叉验证方案，以确保该算法有效地学习。

这背后有很多机器学习理论，但是，作为一个良好的开端，我建议您看看支持向量机-科学-学习，以便更深入地描述SVC在镰状体学习中的实现是如何工作的，而GridSearchCV则是一种简单的参数设置技术。

Answer 3

这只是猜测但是..。来自Sk的培训集是黑色数字在白色背景上。你在试图预测黑色背景下白色的数字.

我认为你要么应该在你的训练集上训练，要么训练你的照片的负面版本。

我希望这能帮上忙！