Clasificación de Números Escritos a Mano con Regresión Logística

1# Librerías necesarias 
2from sklearn.datasets import load_digits # Cargar datos que vamos a usar o sea nuestros datos del modelo, los cuales son matrices, interpretan imágenes
3import pandas as pd
4import matplotlib.pyplot as plt
5import seaborn as sns
6import numpy as np
7from sklearn.linear_model import LogisticRegression # Para realizar nuestra regresión logística
8from sklearn.model_selection import train_test_split # Para separar los datos en entrenamiento y testing (Totalmente necesario)
9
10# Cargamos nuestros datos
11digits = load_digits() 
12
13# Checamos cómo se comportan nuestros datos
14img = np.reshape(digits.data[1], (8, 8))
15
16# Vemos el número al que está asociado
17print(digits.target[1])
18
19# Visualizamos la imagen
20plt.imshow(img)

1# Separamos nuestros datos en independiente y dependiente
2x = digits.data
3y = digits.target
4
5# Separamos los datos
6x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.2, random_state = 0)
7
8# Creamos y guardamos el modelo en una variable
9modeloLogistico = LogisticRegression()
10
11# Corremos y entrenamos el modelo con los datos de entrenamiento
12modeloLogistico.fit(x_train, y_train)
13
14# Creamos una predicción para una eventual evaluación (Con los datos de prueba)
15predction = modeloLogistico.predict(x_test)

1# Importamos la función de matriz de confusión, la cual nos ayuda a determinar cuántos se predijeron correctamente y cuántos no
2from sklearn.metrics import confusion_matrix
3
4# Creamos la matriz con los datos de test originales y los de la predicción del modelo
5cm = confusion_matrix(y_test, predction)
6
7# Esta matriz es de 10x10 porque estamos analizando 10 clases de números del 0 al 9 (10 clases)
8# Lo que nos dice es cuántas clases se clasificaron dentro de su clase preestablecida
9print(cm)
10
11# Graficamos para una mejor comprensión
12sns.heatmap(cm, annot = True, linewidths=1.5)
13plt.ylabel('Actual label')
14plt.xlabel('Predict label')