基于Mnist数据集的贝叶斯分类器

基于Mnist数据集的贝叶斯分类器,用python编写，读取原始数据集数据，进行分类，完整，简洁

# -*- coding: utf-8 -*-
“““
Created on Tue May 01 16:08:32 2018

@author: Fsl
“““

import numpy as np
import cv2
import time
import matplotlib.pyplot as plt
from sklearn.metrics import accuracy_score
from readset import loadImageSet
from readset import loadLabelSet

# 二值化
def binaryzation（img）:
    cv_img = img.astype（np.uint8）
    cv2.threshold（cv_img501cv2.cv.CV_THRESH_BINARY_INVcv_img）
    return cv_img

def Train（trainsettrain_labels）:
    prior_probability = np.zeros（class_num）                         # 先验概率
    conditional_probability = np.zeros（（class_numfeature_len2））   # 条件概率

    # 计算先验概率及条件概率
    for i in range（len（train_labels））:
        img = binaryzation（trainset[i]）     # 图片二值化
        imgsize=np.reshape（img[2828]）
        label = train_labels[i]

        prior_probability[label] += 1

        for j in range（feature_len）:
            t=img[j]
            conditional_probability[label[0]][j][t] += 1
            
    # 将概率归到[1.10001]
    for i in range（class_num）:
        for j in range（feature_len）:

            # 经过二值化后图像只有0，1两种取值
            pix_0 = conditional_probability[i][j][0]
            pix_1 = conditional_probability[i][j][1]

            # 计算0，1像素点对应的条件概率
            probalility_0 = （float（pix_0）/float（pix_0+pix_1））*1000000 + 1
            probalility_1 = （float（pix_1）/float（pix_0+pix_1））*1000000 + 1

            conditional_probability[i][j][0] = probalility_0
            conditional_probability[i][j][1] = probalility_1

    return prior_probabilityconditional_probability

# 计算概率
def calculate_probability（imglabel）:
    probability = int（prior_probability[label]）

    for i in range（len（img））:
        probability *= int（conditional_probability[label][i][img[i]]）

    return probability

def Predict（testsetprior_probabilityconditional_probability）:
    predict = []

    for img in testset:

        # 图像二值化
        img = binaryzation（img）
        
        max_label = 0
        max_probability = calculate_probability（img0）

        for j in range（110）:
            probability = calculate_probability（imgj）

            if max_probability < probability:
                max_label = j
                max_probability = probability

        predict.append（max_label）

    return np.array（predict）


class_num = 10
feature_len = 784

if __name__ == ‘__main__‘:

    print ‘Start read data‘

    time_1 = time.time（）

    # 读取训练数据与测试数据
    train_features=loadImageSet（0）
    test_features=loadImageSet（1）
    train_labels=loadLabelSet（0）
    test_labels = loadLabelSet（1）
    # print train_features.shape
    # print train_features.shape

    time_2 = time.time（）
    print ‘read data cost ‘time_2 - time_1‘ second‘‘\n‘

    print ‘Start training‘
    prior_probabilityconditional_probability = Train（train_featurestrain_labels）
    time_3 = time.time（）
    print ‘training cost ‘time_3 - time_2‘ second‘‘\n‘

  

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3548  2018-05-02 13:24  基于Mnist数据集的贝叶斯分类器\bayes.py

     文件       1844  2018-05-01 16:51  基于Mnist数据集的贝叶斯分类器\readset.py

     目录          0  2018-05-04 17:57  基于Mnist数据集的贝叶斯分类器

----------- ---------  ---------- -----  ----

                 5392                    3