机器学习--手写英文字母1--分类流程

目录

 

1.导入数据

         2.数据处理

3.特征计算

4.特征提取

5.构建模型与预测

6.评价一个模型

7.review

---

1.导入数据

手写信件作为单独的文本文件存储。每个文件以逗号分隔，包含四列：时间戳、笔的水平位置、笔的垂直位置和笔的压力。时间戳是自数据收集开始以来经过的毫秒数。其他变量以规范化单位（0到1）表示。对于笔位置，0表示书写表面的下边缘和左边缘，1表示上边缘和右边缘。

 

letter = readtable("J.txt");
plot(letter.X,letter.Y)
axis equal

letter = readtable("M.txt");
plot(letter.X,letter.Y)
axis equal

 

2.数据处理

手写数据的笔位置以标准化单位（0到1）测量。不过，用于记录数据的平板电脑并非方形。这意味着1的垂直距离对应10英寸，而相同的水平距离对应15英寸。若要更正此问题，应将水平单位调整到范围[0 1.5]而不是[0 1]。

letter = readtable("M.txt")

letter.X = 1.5*letter.X;

plot(letter.X,letter.Y)
axis equal

 时间值没有物理意义。它们表示从数据收集会话开始经过的毫秒数。这使得我们很难通过时间来解释笔迹图。一个更有用的时间变量是从每个字母开始的持续时间（以秒为单位）。

letter.Time = letter.Time - letter.Time(1)
letter.Time = letter.Time/1000

plot(letter.Time,letter.X)
plot(letter.Time,letter.Y)

3.特征计算

这些字母的哪些方面可以用来区分J和M或V？我们的目标不是使用原始信号，而是计算将整个信号提取为简单、有用的信息单位（称为特征）的值。
对于字母J和M，一个简单的特征可能是纵横比（字母相对于宽度的高度）。J可能又高又窄，而M可能更方。
与J和M相比，V的写入速度快，因此信号的持续时间也可能是一个区别特征。

letter = readtable("M.txt");
letter.X = letter.X*1.5;
letter.Time = (letter.Time - letter.Time(1))/1000
plot(letter.X,letter.Y)
axis equal
#上面的是前面重复代码
dur = letter.Time(end)
aratio = range(letter.Y)/range(letter.X)

4.特征提取

MAT文件featuredata.MAT包含一个包含470个字母的提取特征的表格，这些字母由不同的人书写。表格特性有三个变量：AspectRatio和Duration（前一节计算的两个特性）和Character（已知字母）。

load featuredata.mat
features

scatter(features.AspectRatio,features.Duration)

尚不清楚这些特征是否足以区分数据集中的三个字母（J、M和V）。gscatter函数生成一个分组散点图，即根据分组变量对点进行着色的散点图。

gscatter(features.AspectRatio,features.Duration,features.Character)

5.构建模型与预测

load featuredata.mat
features
testdata

knnmodel = fitcknn(features,"Character")

根据数据建立模型后，可以使用它对新的观测进行分类。这只需要计算新观测值的特征，并确定它们在预测空间的哪个区域。

predictions = predict(knnmodel,testdata)

默认情况下，fitcknn适合k=1的kNN模型。也就是说，该模型仅使用已知的最接近的一个示例来对给定的观测进行分类。这使得模型对训练数据中的任何异常值（如上图中突出显示的异常值）敏感。离群值附近的新观测可能被错误分类。解决这个问题的一个简单方法是增加k的值（即使用几个邻居中最常见的类）。

knnmodel = fitcknn(features,"Character","NumNeighbors",5)
predictions = predict(knnmodel,testdata)

6.评价一个模型

kNN模型有多好？testdata表包含测试观察的已知类。您可以将已知类与kNN模型的预测进行比较，以了解模型在新数据上的性能。

load featuredata.mat
testdata
knnmodel = fitcknn(features,"Character","NumNeighbors",5);
predictions = predict(knnmodel,testdata)

iscorrect = predictions == testdata.Character

通过将正确预测数除以预测总数来计算正确预测的比例。将结果存储在名为accurity的变量中。可以使用sum函数确定正确预测的数量，使用numel函数确定预测的总数。

accuracy = sum(iscorrect)/numel(predictions)

错误率计算

iswrong = predictions ~= testdata.Character
misclassrate = sum(iswrong)/numel(predictions)

准确度和错误分类率为模型的整体性能提供了一个单一的值，但是可以看到模型混淆的类的更详细的细分。混淆矩阵显示了真实类和预测类的每个组合的观察数。

混淆矩阵通常通过根据元素的值对元素进行着色来可视化。通常对角线元素（正确的分类）用一种颜色着色，而其他元素（错误的分类）用另一种颜色着色。您可以使用confusionchart函数可视化混淆矩阵。

7.review

现在，您有了一个简单的双特征模型，它可以很好地处理三个特定的字母（J、M和V）。这种模式也适用于整个字母表吗？在这个交互中，您将创建和测试与之前相同的kNN模型，但是13个字母（英文字母表的一半）。

load featuredata13letters.mat
features
testdata
gscatter(features.AspectRatio,features.Duration,features.Character)
xlim([0 10])
knnmodel = fitcknn(features,"Character","NumNeighbors",5);
predictions = predict(knnmodel,testdata);
misclass = sum(predictions ~= testdata.Character)/numel(predictions)
confusionchart(testdata.Character,predictions);