Обработка изображений - одна из основных областей машинного обучения, которая используется в повседневной жизни. От распознавания лиц до объектива Google - все - это просто обработка изображений. Эта статья посвящена тому, как определить, какая цифра присутствует на изображении.

Что такое логистическая регрессия?

Логистическая регрессия - один из алгоритмов классификации. В этом методе классификации линия регрессии сначала создается с использованием данных, а затем сглаживается с помощью сигмоидной функции. Это сделано, поскольку точки данных будут присутствовать в кластерах в разных областях графика, как на графике ниже.

Существуют различные типы логистической регрессии:

  1. Двоичная логистическая регрессия: например. Классификация почты на спам или любительскую.
  2. Полиномиальная логистическая регрессия: например. Классификация людей на худых, нормальных, страдающих ожирением или страдающих ожирением на основе их ИМТ.
  3. Порядковая логистическая регрессия: например. Оценки фильмов от 1 до 5.

Давайте код:

Теперь мы собираемся построить модель машинного обучения логистической регрессии с использованием Python и некоторых библиотек. Библиотеки - это набор уже написанных программ для упрощения вычислений. Если вы не знаете общепринятые термины машинного обучения, такие как модель, обучение и т. Д., Пожалуйста, посетите мою статью о базовых терминологиях машинного обучения, используя эту ссылку. Приступим к программированию!

Здесь мы импортировали необходимые библиотеки и пакеты для выполнения простой линейной регрессии. Импортируемые библиотеки и пакеты:

  1. Sklearn: это бесплатная библиотека машинного обучения, которая содержит множество функций и методов, необходимых для построения модели машинного обучения. Из Sklearn мы импортировали три набора данных функций: model_selection и linear_model. Пакет наборов данных состоит из различных наборов данных для практики машинного обучения. Linear_model состоит из функции логистической регрессии.

Здесь мы загружаем набор данных цифр в переменные цифры и просматриваем набор данных. Здесь набор данных, который должен быть изображениями 8 X 8, конвертируется в формат массива для обработки.

Здесь мы назначаем функции переменной X (изображение) и Y (нацеливаем цифру на этом изображении). И разделив их на обучающие и тестовые наборы.

Здесь мы инициализируем нашу модель и подгоняем ее под данные нашего поезда.

Наконец, мы делаем прогнозы по модели на том, какая цифра присутствует на изображении.

Вот ссылка на полный код для вас, чтобы получить практический опыт. По всем вопросам обращайтесь ко мне через LinkedIn. Удачного обучения !!!