Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen gezeigt.

--- ss16:23.06.2016 [2016/06/30 14:59]
henrikfrenzel
+++ ss16:23.06.2016 [2016/07/07 16:50] (aktuell)
henrikfrenzel
@@ Zeile 10: / Zeile 10: @@
 import numpy as np
 import scipy.io
-mat=scipy.io.loadmat('/home/mensch/scikit_learn_data/mldata/mnist-original.mat')
+mat=scipy.io.loadmat('/[…]/[…]/scikit_learn_data/mldata/mnist-original.mat')
 data=mat['data']
@@ Zeile 20: / Zeile 19: @@
 for i in range(data.shape[1]):
 	data_neu[:,i]= data[:,i]/np.linalg.norm(data[:,i])
-scipy.io.savemat('/home/mensch/scikit_learn_data/mldata/mnist-original-norm.mat', mdict={'data':data_neu, 'label':label})
+scipy.io.savemat('/[…]/[…]/scikit_learn_data/mldata/mnist-original-norm.mat', mdict={'data':data_neu, 'label':label})
 </code>
-  * Einlesen eines 28x28 Bildes (bildeinlesen.py)
+  * Einlesen eines 28x28 Bildes (bild_einlesen.py)
 <code python>
 from scipy import misc
@@ Zeile 59: / Zeile 58: @@
 	return bild
 </code>
-  * Symbole lesen (symbole_lesen.py)
+   * Testbild mit Bildgröße 28x28 (test.png) \\
+{{:ss16:test.png?200|}}
+  * k-nearest-Neighbor-Algorithmus mit Testbild (knNTest.py):
+<code python>
+from __future__ import division
+import numpy as np
+import operator
+import scipy.io
+import bild_einlesen as bl
+mat=scipy.io.loadmat('/[…]/[…]/scikit_learn_data/mldata/mnist-original-norm.mat')
+def abstand(vektor1, vektor2):
+	abstand=np.linalg.norm(vektor1-vektor2)
+	return abstand
+def nachbarn(untersuchen, vergleich):
+	abstaende=[]
+	for i in range(vergleich.shape[1]-1):
+		abstaende.append((abstand(untersuchen, vergleich[:,i]),i))
+		if i%1000==0:
+			print i
+	abstaende.sort(key=operator.itemgetter(0))
+	return abstaende
+def zugehoerigkeit(zahlen,k):
+	haeufigkeit=[[0,0],[1,0],[2,0],[3,0],[4,0],[5,0],[6,0],[7,0],[8,0],[9,0]]
+	for i in range(k-1):
+		haeufigkeit[zahlen[i]][1] +=1
+	haeufigkeit.sort(key=operator.itemgetter(1))
+	return haeufigkeit[9][0]
+def bestimmung(k):
+	global eingelesen
+	daten=mat['data']
+	zahl=mat['label']
+	zahlen=[]
+	eingelesen=bl.bildlesen()
+	test=eingelesen.daten
+	testnorm=test/np.linalg.norm(test)
+	abstaende=nachbarn(testnorm, daten)
+	for i in range(k-1):
+		zahlen.append(int(zahl[0,abstaende[i][1]]))
+	print "Die Zahl ist: ", zugehoerigkeit(zahlen,k)
+bestimmung(10)
+</code>
+  * Öffnen von neuem Datensatz clean_symbols.p (symbole_lesen.py)
 <code python>
 from pickle import Unpickler
@@ Zeile 77: / Zeile 126: @@
 print "Shape: ", data[2].shape
 </code>
-  * Trainieren des k-nearest-Neighbor-Algorithmus
 === Problem: ===
@@ Zeile 85: / Zeile 133: @@
 cProfile.run('bestimmung(10)',sort='time')
 bestimmung(10)
+</code>
+  * Genauigkeit des k-nearest-Neighbor-Algorithmus
+<code python>
+from __future__ import division
+import numpy as np
+import math as m
+import operator
+import scipy.io
+import matplotlib.pyplot as plt
+import random
+import time
+mat=scipy.io.loadmat('/[…]/[…]/scikit_learn_data/mldata/mnist-original-norm.mat') #pfad muss angepasst werden
+def abstand(vektor1, vektor2):
+	abstand=np.linalg.norm(vektor1-vektor2)
+	return abstand
+def nachbarn(untersuchen, vergleich):
+	abstaende=[]
+	for i in range(vergleich.shape[1]-1):
+		abstaende.append((abstand(untersuchen, vergleich[:,i]),i))
+		if i%1000==0:
+			print i
+	abstaende.sort(key=operator.itemgetter(0))
+	return abstaende
+def zugehoerigkeit(zahlen,k):
+	haeufigkeit=[[0,0],[1,0],[2,0],[3,0],[4,0],[5,0],[6,0],[7,0],[8,0],[9,0]]
+	for i in range(k-1):
+		haeufigkeit[zahlen[i]][1] +=1
+	haeufigkeit.sort(key=operator.itemgetter(1))
+	return haeufigkeit[9][0]
+def bestimmung(k):
+	daten=mat['data']
+	choice= np.random.choice(70000,10000, replace=False)
+	test=daten[:,choice].copy()
+	datenkurz=np.delete(daten,choice,axis=1)
+	zahllang=mat['label']
+	labels=zahllang[:,choice].copy()
+	zahl=np.delete(zahllang,choice,axis=1)
+	richtigkeit=[]
+	for i in range(100-1):
+		zahlen=[]
+		abstaende=nachbarn(test[:,i], datenkurz)
+		for z in range(k-1):
+			zahlen.append(int(zahl[0, abstaende[z][1]]))
+		print "Die Zahl ist: ", zugehoerigkeit(zahlen,k), " Label:" , labels[0][i]
+		if zugehoerigkeit(zahlen,k)==labels[0][i]:
+			richtigkeit.append(1)
+	return richtigkeit
+for j in range(10,20):
+	t1=time.clock()
+	richtig=bestimmung(j)
+	t2=time.clock()
+	zeit=t2-t1
+	prozentRichtig= len(richtig)/99
+	print "Fuer " ,j, "als k, betraegt die Zeit: ", zeit, "und die Genauigkeit: ", prozentRichtig
 </code>

Mathesis Wiki

Benutzer-Werkzeuge

Webseiten-Werkzeuge

Unterschiede

Seiten-Werkzeuge