构建Python分类器：AI人工智能在行动 (构建python包)

简介

分类器是机器学习算法，用于将数据点分配到预定义类别。在本教程中，我们将构建一个使用 Python 的简单分类器，以识别手写数字。

人工智能 (AI) 正在迅速改变许多行业，而机器学习是 AI 的一个子集，允许计算机从数据中学习而无需明确编程。

先决条件

• 安装 Python 3 或更高版本
• 安装 scikit-learn 库（
  
pip install scikit-learn

  ）
• 安装 matplotlib 库（
  
pip install matplotlib

  ）

构建 Python 包

为了组织我们的代码，我们将创建一个 Python 包。在命令行中，导航到要创建包的目录，然后运行以下命令：

python3 -mvenv venv

这将创建一个名为

venv

的虚拟环境。现在，激活虚拟环境：

source venv/bin/activate

现在，安装 TensorFlow 和 NumPy 库：

pip install tensorflow numpy

数据集

我们将使用 MNIST 数据集，其中包含 70,000 个手写数字图像。您可以从

此处

下载数据集。

导入库

让我们从导入必需的库开始：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

数据预处理

我们将加载 MNIST 数据集并将其划分为训练集和测试集：

 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()将像素值归一化到 [0, 1] 之间
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255将图像展开为一维数组
x_train = x_train.reshape(x_train.shape[0], -1)
x_test = x_test.reshape(x_test.shape[0], -1)将数据划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(x_train, y_train, test_size=0.2, random_state=42)

构建 Logistic 回归模型

现在，我们将创建一个 Logistic 回归模型，这是一个简单且有效的分类器：

 创建 Logistic 回归模型
model = LogisticRegression()训练模型
model.fit(X_train, y_train)

模型评估

接下来，让我们评估模型在测试集上的性能：

 预测测试集
y_pred = model.predict(X_test)计算准确率
accuracy = np.mean((y_pred == y_test).astype(int))打印准确率
print("准确率:", accuracy)

查看预测结果

最后，让我们可视化一些预测结果：

 选择要显示的一些预测
indices = np.random.choice(X_test.shape[0], 5)对图像进行非归一化并重新整形
images = X_test[indices].reshape(-1, 28, 28)创建子图
fig, axs = plt.subplots(1, 5, figsize=(15, 3))循环显示预测结果
for i, ax in enumerate(axs.flat):ax.imshow(images[i], cmap='gray')ax.set_title(f"Predicted: {y_pred[indices][i]}")ax.axis('off')显示子图
plt.show()

结论

恭喜！你已经成功构建了一个 Python 分类器。本教程展示了如何使用 scikit-learn 构建一个简单的 Logistic 回归分类器，如何评估其性能，以及如何查看预测结果。

AI 人工智能是一个激动人心的领域，提供了解决问题和增强我们生活的强大新方法。机器学习是 AI 的一个重要部分，本教程就是如何使用机器学习来构建有用的应用程序的一个很好的示例。