Kaggle简介

    由于是第一次做所以不打算设计算法，就简单地使用sklearn库中的随机森林进行简单地建模。

    首先我们需要了解训练集的结构，训练集大小42001*785，第一行是文字描述，所以实际的样本数据大小是42000*785，其中第一列的每一个数字是它对应行的label，可以将第一列单独取出来，得到42000*1的向量trainLabel，剩下的就是42000*784的特征向量集trainData，所以从train.csv可以获取两个矩阵trainLabel、trainData。

def toInt(array):
    array=mat(array)
    m,n=shape(array)
    newArray=zeros((m,n))
    for i in xrange(m):
        for j in xrange(n):
                newArray[i,j]=int(array[i,j])
    return newArray

def nomalizing(array):
    m,n=shape(array)
    for i in xrange(m):
        for j in xrange(n):
            if array[i,j]!=0:
                array[i,j]=1
    return array

def loadTrainData():
    l=[]
    with open('train.csv') as file:
         lines=csv.reader(file)
         for line in lines:
             l.append(line) #42001*785
    l.remove(l[0])
    l=array(l)
    label=l[:,0]
    data=l[:,1:]
    return nomalizing(toInt(data)),toInt(label)  #label 1*42000  data 42000*784
    #return trainData,trainLabel
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

  由于从文件中读出的Label是字符，所以我们需要将它转化为数字（toInt函数）。另外，我们都知道图像可以表示成灰度矩阵，而题目给我们的数据就是手写数字图像的灰度矩阵，对于灰度级我们是不关心的，即我们不关心字迹的深浅，我们关心的是字的有无，所以可以使用二值化的方法对原始数据进行处理（nomalizing函数)。

  然后读取测试集

def loadTestData():
    l=[]
    with open('test.csv') as file:
         lines=csv.reader(file)
         for line in lines:
             l.append(line)#28001*784
    l.remove(l[0])
    data=array(l)
    return nomalizing(toInt(data))  #  data 28000*784
    #return testData
1
2
3
4
5
6
7
8
9

  有了训练集和测试集的数据，下一步就是用训练集训练模型并预测测试集。调用sklearn库的随机森林函数，建立分类器nbClf，参数n_estimators是设置决策树的棵数，一般不要小于100，然后用fit函数训练，用predict函数预测，则testLable是一个28000行的数组，每行存储对应的Label。

from sklearn.ensemble import RandomForestClassifier
def RFClassify(trainData,trainLabel,testData):
    nbClf=RandomForestClassifier(n_estimators=100)
    nbClf.fit(trainData,ravel(trainLabel))
    testLabel=nbClf.predict(testData)
    saveResult(testLabel,'RF_Result.csv')
    return testLabel
1
2
3
4
5
6

  最后一步就是将数据写入csv文件，注意并不能直接每行一个数字这样地写，要按照要求的格式，即添加第一行的属性名，还有添加一列序号，调用saveResult进行写入

def saveResult(result,csvName):
    with open(csvName,'wb') as myFile:    
        myWriter=csv.writer(myFile)
        myWriter.writerow(["ImageId","Label"])
        index=0;
        for i in result:
            tmp=[]
            index=index+1
            tmp.append(index)
            tmp.append(i)
            #tmp.append(int(i))
            myWriter.writerow(tmp)
1
2
3
4
5
6
7
8
9
10
11

  将得到的csv文件提交上去后得到的准确率是0，为什么呢？首先看一下文件内部

  找到问题了，我们的Label应该是1,2，。。。9，而不是1.0，2.0.。。9.0，所以在写文件的时候把数据类型转成int就可以了。上传后跳转到排行版。由于只是简单地运用模型，以及本问题更适合用bp网络的原因，排名还是很低的。