Matlab实现手写数字识别（PCA+KNN）

Matlab实现⼿写数字识别（PCA+KNN）

</pre><pre name="code" class="plain">clear;

addpath('../data/');

% images_train = loadMNISTImages('train-images-idx3-ubyte')';

开心网001images_train_label=loadMNISTLabels('train-labels-idx1-ubyte');

% save('../data/images_train_label.mat','images_train_label');

% images_test=loadMNISTImages('t10k-images-idx3-ubyte')';

images_test_label=loadMNISTLabels('t10k-labels-idx1-ubyte');

% [pc,score,latent,tsquare] = princomp(images_train);

% p_d_ratio=cumsum(latent)./sum(latent);

% p_mean=mean(images_train);

% p_d=87; % 90%

马明龙

% train_pca=score(:,1:p_d);

% save('../data/train_pca.mat','train_pca');养护机械

load('../data/train_pca.mat');

% for i=1:10000

% test_pca(i,:)=(images_test(i,:)-p_mean)*pc(:,1:p_d);

% end

% save('../data/test_pca.mat','test_pca');

load('../data/test_pca.mat');

mdl = ClassificationKNN.fit(train_pca,images_train_label,'NumNeighbors',1);

predict_label_knn=predict(mdl, test_pca);

accuracy_knn=length(find(predict_label_knn == images_test_label))/length(images_test_label)*100; </span>

PCA介绍很详细的资料：

Matlab PCA的函数：[COEFF,SCORE,latent,tsquare] = princomp(X)

银河宽频

COEFF为输⼊X在原空间到主成份空间的变换过程，SCORE为X在主成份空间的表⽰，latent为每个X协⽅差矩阵特征值所占的⽐重，ts不了解。

前P个latent值超过90%即可选取前⾯的特征代替整体，达到降维。

此函数中X为N*K矩阵，N个数据，K个特征，有SCORE=(X-mean(X))*COEFF。

值得注意的时在测试数据降维时，要先减去训练数据的均值。

在计算⾃相关矩阵时训练数据进⾏归⼀化，本次的样本数据之前均已归⼀化。

这次只⽤到了分类，不需要重构，重构还需要⽤到K-L变换等知识。

K-NN⾮常适合这个分类器，原理也很简单，准确率97%。

计算机学报

质粒转染

另外我将之前LBP+SVM的过程⽤PCA代替LBP，发现准确率由68%上升到87%，果然之前想的没错，特征提取很关键。

本文发布于:2024-09-22 00:50:41，感谢您对本站的认可！

标签：数据代替训练空间特征重构降维达到

留言与评论（共有 0 条评论）