Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  4446 ~ 44 51   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 9 i 5 . pp4446 - 44 51           4446       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Handw ritten di gits re cogn ition wi th decisi on tree  classifi cat ion:  a machi ne lea rning appr oach       Tseha y Adm assu  Asse gie, P ram od  S ekh ar an   N air   Depa rtment  o f  C om puti ng  Techn olog y ,   Co ll eg e  o f  Engi n ee ring   an d  Technol og y ,   A ksum   Univer sit y ,   E thi opi a       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Ja n   2 9 , 2 01 9   Re vised  A pr   22 , 2 01 9   Accepte d  Ma y   4 , 2 01 9       Handwrit te n  di g it s  rec ogni ti on  i s  an  are a  of  m a chi ne  l ea rn ing,   i n  which  a   m ac hine   is  tr ai n ed  to  ide n ti f y   h andwri tten  digit s.  One  m et hod  of  ac hi evi ng   thi s  is  with  d ec is ion  tree  c la ss ifi c at ion  m odel.  A  d ec ision  tree  class ifi c at ion  is   a  m ac hine   l ea rn ing  appr oac h  th at   uses  the   pre d efi ned  l abels  from   the   past  known  sets  to  det ermine  or  pr ed ic t  th e  class es  of  the   future   d at a   sets  where   the   class   la bel s  a re  unknown.  In  t his  pape r  we  ha ve  used  the   stan dar d  kaggle   digi ts  dat ase t  for  rec ognition  of  handwri tt en  digi ts  using  a  dec ision  tr ee  cl assifi ca t ion  ap proa ch.   And  we  have   eva lu at ed   the   ac cur acy   of   the   m odel   aga inst   each  d igit fr om   0  to  9 .   Ke yw or d s :   Decisi on tree  c la ssific at ion   Hand wr it te n di gits   Hand wr it te n di gits rec ogniti on   Ma chine  le a rn i ng   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Tsehay  Ad m assu Asse gie,   Dep a rtm ent o f C om pu ti ng  T e chnolo gy,   Ak s um  U ni versi ty ,    PO B,  1010,  Et hiopia   Em a il :  tse haya dm assu2 00 6@gm ail.co m       1.   INTROD U CTION     Hand wr it te n  dig it s  rec ogniti on  is  the  proces s  of  ide ntifyi ng  dig it s  wr it te n  by  hum an  us in g  a  m achin e   le arn in g  a ppr oa ch  [1,  2,  3,  4,  5,  6,   7,  8 ,  9 ] .  Ma chine  t hat  perform s  the  r ecognit ion  ta s k  has  t o  be   tra ined   s o  that  the  m achine  ca n  perform   the  ta s k  base d  on  the  t rainin g  giv e n  with  th e p ast  d at a  set s w it h  the   kn own  cl as s   la bels.  Ma c hine   le arn i ng   m od el s  s uch  as,   a rtific ia l  neural   netw ork ,  c onvo l ution al   ne ural   net work,  de ci sion   tree  cl assifi er   a nd   im pr ove d  c hain  c od e h ist ogram   featur e  [ 1 , 2 , 3 , 4 ]   can also   be   a ppli ed   to  ha ndwr it te n  dig it s  recog niti on   pr ob le m ,  howe ve r,   t he  recog ni ti on   of  ha ndwr it te n  dig it s  is  sti ll   a  resea rch  issue ,  num ero us  researc hes  ha ve   bee n  car ried  ou t  a nd  no ne  of  them   has  pro po s ed  a  pe rf ect   appr oach  to  re cognize  hand w ritt en  dig it s.   This   i m plies  that  t he  pro blem   of   rec ognizin g  a   ha ndw ritt en  dig it   is  an  im po rta nt   researc h  issu e  an d  there a re  dif fere nt app ro ac hes  and alg or it hms p rop os ed   by re searche rs f or   recog niti on s  of  h a ndw ritt en  di gits.   The  m ai n  pr ob lem s  of   ha ndw ritt en  dig it s  re cogniti on   us i ng  m achine  le arn in g  ap proac he s  are  li ste d  as  f ollows [ 9] :   1)   Hand wr it in g  sty le s  var y  base d  on  the  w rite r -   it   is  us ually   ver y  dif ficult   even   f or  hum an  to  rec ogniz e  hand wr it te n di gits beca us e  of  the si gn ific a nt  d if fer e nce  of ha ndw riti ng  sty le s.   2)   Si m il arity  be tween   ha ndw ritt en  dig it s,  for  exam ple  six  a nd  f our   m ay   l ook  t he  sam e  dig it   based  on  th e   hand wr it in g  st yl e o f  t he write r  sim i la rly , o ne  and se ve n  m a y l ook  the  sam e d igit .   3)   Ther e  is  no  pe rf ect   m achine  le arn in g  m odel   that  is  su it able  an d  ef fecti ve  in  recog nizi ng   hand wr it te n  dig it s.  Dif fe re nt  researc he rs  us e  dif fer e nt  m od el s  bu t  no  m od el   is  per f ect ly   su it ed  for  recog niti on   of  hand wr it te n  di gits.  This  iss ue   is  fo cu sed  in  t his  pa per.  Ef fici ency  and   acc ur acy   of  pr opose d  decisi on   tr ee   cl assifi cat ion   m od el  is evalu at ed.   4)   The  hand wr it te n  dig it s  can not  be  recog nized   by  usi ng  fi xed  i m age  recog niti on   patte rn s ,  be cause  th ey   ar e   diff e re nt for di ff e ren t  wr it ers .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Han dwrit te n  di gits reco gnit io n  wi th  decisi on  tree cl as sif ic at ion:  a ma c hin e   …   ( Tsehay A dmas su Asse gie )   4447   The  sta ndar d  data  set s  li ke  kaggle  an d  MI NS T  ha ve  sim plifie d  the  ha ndw ritt en  dig it s   reco gnit io n  pro blem   [ 10,   11 ] .  Th os e  datas et s  con ta ins  la r ge  num ber   of   s a m ple  i m ages  of   hand wr it te n  dig it s  wh ic h  c an  be   us e d  in   m achine  le ar ning   m od el s   li ke  deci sion  tree  cl ass ific at ion   with out  pre processi ng  an d  the  ef f or t  of   pr e par i ng  dataset   is  av oid e d.  But  sti ll   so m e  of  the  quest io ns   rem ai ned   unanswere d  a nd  will   co ntinu e   to  e xist   in  the  feat ur e,  as  there  is  no   perfect   m od el   us e d  in  m achine  le arn in g  in  re c ogniti on   of  ha ndwr it te n  dig it s. Th e   pro blem s  add ressed   in  this  pap e r  are ,  ho w  ef fecti ve  a  decisi on  tree  cl assifi cat ion   in  ha ndw ritt en   dig it s   recog niti on .  A nd   t he  im ple m entat ion   an d  accuracy  of  decisi on  tree  cl assifi cat ion   in  ha ndw ritt en  dig it s  recog niti on  is   evaluate d usin g pyt hon p rogra m m ing  la ngua ge.   Decisi on  tre e c lassif ic ation   A  decisi on  tre e  cl assifi er  is  a  m achine  le arni ng   m od el   w id el y  us ed  to  s olv e  cl assifi cat io n  pro blem s,  li ke  hand wr it te n  di gits  recog ni ti on .  A s  the  nam e  decisi on   tr ee  su ggest s ,  th e  m od el   breaki ng   dow n  our  da ta   by   m aking   decisi ons  based  on  as king  a  se ries  of   quest ions.  Let ' s  co ns ide r  the  f ollow i ng  exam ple  w her e   we  use   a  decisi on  tree   to  decide   up on  recog niti on   of  a  0  an d  a   1  digi t.  The   cl assifi er  te sts  al l  of  the  possible  s et s  wi t h  dig it s  0  a nd 1  un ti l i t fin ds a  m at ching   dig it   as sho wn in Fi gure  1.           Figure  1 .  D eci s ion   t ree  cl assifi cat ion       Th e  s ucces s r at e o f decisi on tree cl as sif ie r i n pyth on   To  te st  the  su c cess  rate  of  a  de ci sion   tree  cl a ssific at ion   in  r ecognit ion   of  ha ndw ritt en  dig i ts  we  ha ve   us e d  pyt hon  pro gr am m ing ,  a   ve ry  pow er ful   la nguag e   f or  i m ple m entat i on  of  m achine   le arn i ng  al gor it h m s,  m any  of   the  re searche rs  are  de pendin g  on   py tho n  la n gua ge   fo r  m achine  le arn in g  al gori thm   i m ple m entat ion s.  The  c od e  s how n  bel ow   is  us e d  to  dr a w  the  grap h  f or  su cce s s  rate  of  the  cl assifi er,  s how n  in  Fig ur e  2   a nd  the  entr op y,  the  im purity  f or t he d eci sion  tre e cla ssific at ion  is  s how n  in   F ig ure  3 .           Figure  2 .  Pyt hon co de f or  m od el ing t he succ ess r at e  of d eci sion t ree classi ficat ion   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 4 6   -   4 4 5 1   4448         Figure  3 .  S ucc ess  rate  of d eci sion t ree classi fier       1.   LIT ERATUR E REVIE W   In   this  sect io n,  the  previ ous   works  relat ed  to  ha nd wr it te n  di git s  recogn it io n  will   be   rev ie w ed .   Th e  st ud ie s   are   disc us se d  in   the  fo ll owin g  s ect ion s.   Ha nd wr it te n  dig it s  r ecognit ion  ca n  be  im ple m e nted  with  scan ning  the   dig it al   i m ages  pix el s  a nd   e xtracti ng   the   f eat ur es  us i ng  a  ne ur al   netw ork  as   cl assifi er s  f or  hand wr it te n di gits rec ogniti on  [1 ] .    Hand wr it te n  di gits  recog niti on  is  beco m ing   a  great er  de m and   as   one  of  the  c om pu te r  vision  [ 2]   te chn iq ues .  Co m pu te r  vision   has  m any  app li cat ion s  f or   int erf aci ng  hu m an  an d  a  m achi ne.   T he  f ocu s  of   the   auth or   wa s  ge tt ing   bette r  accuracy  an d  pe rfor m ance  requirem ent  with  convo l ution al   neu ral  net work s  f or   cl assifi cat ion .   A  blob  base d  cl assifi cat ion  of   im age  is   ano t her   al go rithm   us ed  to  so lve  hand w ritt en  dig it s  recog niti on   prob le m s.  The  al gorithm   reco gn iz es  dig it s  by  cl ass ify ing   them   as  blo bs   wit h  an d  without   stem   [3 ] .  In   t his  m e tho d  t he   m at he m atical   m or phology  was  use d  to  c on st ru ct   the  cl assifi cat ion   m od el s .   This  is  a   te ch nique  of  rec og niti on   of  dig it s  by  i den ti fica ti on   of  bl ob s   and  ste m s.  Th e  pro blem   wit h  this   m et ho d  is  that  it  is  no t a ble to  r ec ognize the   bro ken d i gits o f  la r ge gap  and  d igit s  with e xt ra s te m s.   Mult iple  pe rc eption  la ye rs  with  neural  ne twork   i s  an ot her   m od el   use d  in   ha ndw r it te n  dig it s  recog niton   [ 4].  In   t heir  st ud y,   the  aut hors  use d  MN IS T  dat aset   for  ha ndw ritt en  dig it s  rec ogniti on,  the  da ta set   was  trai ned  with  gr a dient   desce nt  ba ck - pro pa gation  a lgorit hm   and   the   ve rified   with   the   fee d - f orward   al gorithm .    A  Decisi on  tre e  cl assifi cat ion   is  on e  of   the  si m plest  m achine  le arn in g  m od el   use d  in  ha ndw ritt en   dig it s  recog niti on   [ 5]  an d  a  com par at ive  stu dy  perform ed  on   decisi on  tree  cl assifi cat ion   and   ra ndom   fo rests .  Accor ding  to   a uthors,  t he  r an do m   forest  perform ed  superi or  tha n  decisi on   tree  cl assifi cat ion .   O ne   of  t he   m os t   com m on ly   us ed  m achine  le arn in g  m od el   in  hand wr it te n  dig it s  identific at ion   is  K NN   (K - Nea rest  Nei ghbo r )   [6 ] . In  t his stu dy  MIN ST  data set  w as used  for  te sti ng  t he  al gorithm , 5 0,0 00 im ages w ere  us e d  f or  trai ning and   550  im ages  fo r  te sti ng   the  al gorithm .  Accord i ng   to  a uthor s,  the  pr eci si on  le vel  of   the  syst e m   is  70 . 9  %  and  the accu racy  of the syst em  w ill i m pr ove  base d on the  qual it y of dataset .   A  num ber   of   m achine  le arn i ng   m od el s,  s uc h  as  K N N,   K   Near est   cl assi ficat ion ,  Ar ti fi ci al   Neu ral   Netw ork,   ANN  Ba ye sia n  Cl assifi cat ion   and   Decisi on  tree  cl assifi cat ion   ca n  al so   be  us e d  to  id entify   hand wr it te n  di gits  as  m achines  le arn in g  te chn i qu e s.  The  s tud ie s  that  we  hav e  perform e d  on  accu racy  of   eac h  of   th e  trai ning   m od el s  dif fers,  the  A NN   [7 ,  12 ,  14 ]   is  bette r  perform ed  al tho ug h  it   has   it s  ow n  dr a w backs.   The  accu racy  of   the  m achine   le arn in g  m od el s  are  al so   de pends  on   the  qual it y  of   the  im age  to  be  pr edict ed   and   t he  a vaila bi li t y  of   the  in fe rior it y  of  di git  i m ages  in  the  trai ning  set s.  C om pu ta ti on al   e ff ic ie ncy  is  an oth e r   par am et er to  se le ct  b et te r  m od el  an d t he K N N  is  bette r  in  e ff ic ie ncy c om par ed  w it h ot her  al gorithm s [ 13 ] .       2.   DA T AS ET   A ND FEAT URE  SELE CTIO N   2.1.   Kagg le   dat as e t   In   t his  pa pe r,   we  hav e   us e d  kaggle  dat aset .   The  ka gg le   da ta set   has  sam ple  ha ndw ritt en  dig it s  f or   evaluati ng  m a chine  le ar ning   m od el s  on  th e  hand wr it te n  dig it   rec ogniti on   pro blem .  It  has  been   c omm on ly   us e d  in  resea r ch  to   im ple m e nt  ha ndw ritt en   dig it   re co gnit ion   syst em s.  The  kaggle  dataset   co ntain s  21, 000  trai ning  an d  21, 000  te sti ng  of  ha ndw ritt en  dig it s  ( 0  to  9) .   Each  di git  is  sta nd a rd iz e d  a nd   ca ntere d  in  a  gr ay - scal e  (0   -   255)  i m age  with  si ze  28  ×  28  pixe l.  Each  im age  consi sts  of  78 4  pi xels  that  re pr ese nt  the  st r uctu res   of the  dig it s. S om e o f  the   exa m ples f ro m  the k a gg le   dataset  are  s how n  i n Fi gure  4.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Han dwrit te n  di gits reco gnit io n  wi th  decisi on  tree cl as sif ic at ion:  a ma c hin e   …   ( Tsehay A dmas su Asse gie )   4449       Figure  4 .  Ex a m ples o f  ka ggle  d at aset       2.2.   Digits re co gn i tion    Decisi on  tree  c la ssific at ion   m od el   is  us e d  to  trai n  4200 0  dat aset ;  by  sp li tt i ng,  half  of   t he  dataset s  for   the  trai ni ng  se t  and  the  rem ai nin g  21 000  data  set s  for  t est ing .   W e   ha ve  fo ll owe d  th e  f ollow i ng  ste ps   t o  perform   the  classificat ion   on  kaggle  ha ndw r it t en  dig it s  dataset   and   the  pse udo  c od e  of   t he  ha ndw ritt en  dig it s  recog niti on  is  s how n  in  F ig ure  5 .   a.   Loa d  the  k a ggle  h a ndw ritt en digit s  dataset s  for  cl assifi cat ion.   b.   Sp li t t he data  s et s into  t wo sets, one  for t he  tr ai nin g an d  t he rest  for t est ing.   c.   Learn i ng  a nd   pr e dicti ng,  in   t he  dig it s  datas et s,  the  rec ogni zer  is  trai ne d  to  pre dict,  gi ve n  a n  im age  of  a   hand wr it te n  di git.  W e   ha ve  us e d  the  s am ples  of   each  of  the  10  possibl e  cl asses  of  ha ndw ritt en  di gi t s   from   kag gle  da ta set   (the  dig it s  zero   to  nin e )  on   w hich  we  fi t  an  est i m at or   to  predict   the  cl asses  to  w hich  un s een  sam ple s b el ong  t o.     d.   Test ing  t he  acc ur acy   of the cl assifi er.           Figure  5 .   Pse udo  co de o f digi ts reco gnit ion       3.   E X PERI MEN TAL RES UL TS   The  ex per im e nt  was  co nduc te d  on   hand wr it te n  di gits  of   the  sta ndar d  ka gg le   data set   us ing   th e   decisi on  tree  cl assifi er  for  tra ining   the  m achine.  In   this  da ta set   i m ages  wer e  pr e proce ssed  so   i n  this  pap e r  pr e processi ng  was  no t  i nc lud e d.   T his  da ta set   con ta in s  42, 000  im a ge s  of   s am pl e  ha ndwr it te n  dig it s .   F or m   these  im ages;  we  ha ve   us e d  21, 000  in  trai ning  a nd   the  rest  21,00 0  im ages  in  te sti ng .   W e   te ste d  t he   decisi on  tree   c la ssific at ion   m od el   on  al l  of  the  di gits  ( 0 - 9) .  Ta ble  1,  s ho ws  t he  te st  r es ults  after   trai ni ng  the  m achine  on   th is  dataset .  In   Table  1,   it   is  s how n  that  so m e  of   the  dig it s  are  not  recogni zed  by  the  m achi ne   le arn in g  m od el ,  the  decisi on   t ree  cl assifi er.  Fo r  e xam ple  8  wer e  pr e dicte d  as  5  a nd  the  reason  beh i nd   this  is   the  sim il arity  of   hand wr it in g  sty le   between   5  an d  8.   I n  Ta ble  1,   t he  sam ple  ha ndwr it te n  di gits  recog ni zed  by  the  decisi on  tr ee  cl assifi er  is  sh ow n  an d  th e  accuracy  of   the  cl assifi er  in  rec ognizin g  each  di git  (0   t o  9)  i s   sh ow n  in  Ta ble 2 .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 4 6   -   4 4 5 1   4450   Table  1.   T he   w or est   rec ognize d digit s li sts     Han d written Dig it s  i m ag es /Test  Data   Sy ste m  Digit  Predi ctio n   Actu al E x p ected P redictio n     Co rr ectly  Pr ed icte d   0     Co rr ectly  Pr ed icte d   0     Co rr ectly  Pr ed icte d   0     W ron g ly  P redicted   0     W ron g ly  P redicted   6     Co rr ectly  Pr ed icte d   6     Co rr ectly  Pr ed icte d   6     Co rr ectly  Pr ed icte d   6       Table  2.   Acc uracy   of the  deci sion t ree classi fier in ha ndw ri tt en  dig it s  rec ogniti on   Han d W ritten  Dig its(0 - 9)   Accurac y  of  the Cl ass if er  (10 0 %)   0   8 3 .56   1   9 3 .73   2   8 3 .69   3   8 3 .73   4   8 3 .8 1   5   8 3 .65   6   8 3 .47   7   8 3 .81   8   8 4 .12   9   8 3 .75       Figure  6,  sho ws  the   acc ur a cy   of   t he  deci sion   t ree  cl ass ifie r  (i n  per ce ntage )  in   rec ognizin g  eac h  hand wr it te n  di git.  A nd   the  di git  1  is  recog ni zed  with  bette r  accu racy  by  the  cl assifi er,  8  is  recog nized  with   le ast   accuracy  and   t his  is  bec ause  the  di git  8  resem bles  wi th  m any  oth er  dig it s  f or   e xam ple  de pe nd i ng   on   t he   hand  w riti ng   sty le ,  it   m ay  l ook  fi ve.   T his   sh ows  that,  t he  dif fer e nce  in  ha ndwr it in g  sty le   hav e  a  gr eat   influ e nce  on th e accu racy o f  a  m achine learni ng  m od el s  us e d  in  h a ndw ritt en digit s r ec ogni ti on .           Figure  6 .  The   a ccur acy   of d e ci sion t ree classi fier     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Han dwrit te n  di gits reco gnit io n  wi th  decisi on  tree cl as sif ic at ion:  a ma c hin e   …   ( Tsehay A dmas su Asse gie )   4451   4.   CONCL US I O N     In   t his  pa per,  we  ha ve  us e d  a   decisi on  tree  c la ssific at ion   m od el   for  m achine  le ar ning  tha t  recogn iz es  hand wr it te n  di gits.  The  m ac hin e  w as  trai ne d  with  a  ka ggle   dataset   w hi ch  co ntains  4200 0  r ow s  a nd  72 0  colum ns   an d  r esult  sh ows  83.4 %  acc ur acy .  W e  ha ve  use d   dig it   i m ages   pix el s   as   featu re s   vecto r   an d   D eci sion  Tree   as  cl assif ie rs   for   hand w ritt en   dig it s   re cogniti on.   W e  hav e  us e d  the  Kaggle  re posit or y  f or   t rainin g  a nd   te sti ng   datase t s,  the  e xperim ent  res ult  sho ws  that  t he  de ci sion   tree  cl assifi er  is  ef fec ti ve  in  rec ogni ti on   of  hand wr it te n di gits .       REFERE NCE S    [1]   K h  Tohi dul  Isl a m ,   Ghulam  Mujta ba,   “ Handwr it te n  Digit s  Re cog nit ion  wi th  Art if i ci al  N eural  Ne t work ,”  Proc.   o f  t he   Inte rnational   Co nfe renc e  on   Eng ine ering   Technologies  and  Te chn oprene urs hip  ( ICE2T 201 7) ,   Sep  2017 .   [2]   Haide r  A.   Alwz waz y ,   Ha y d er  M.  Albeha d il i ,   Younes  S.  Alwan,   Na z  E .   Isl a m .   “ Handwrit ten  Digit   R ec ogni ti on   Us ing  Convolut iona l  Neur al   Networks,”   Int ernati onal  Jour nal  of  Inn ovative   R ese arch  i n  Computer  a n d   Comm unic ati on  Engi ne ering  ( An  ISO 3297:  2007   Certi f ie d   Or ganizati on) ,   v ol .   4 ,   no.   2 ,   Feb   2016 .   [3]   Vijay a  Kum ar,   A  Siriki rshna,   R ave endr a  Babu  and  Radhi ka  M ani ,   “ Cla ss ifica t i on  and  rec ogni tion  of  handwri tten   digi ts b y   using  m at hemati c al m orpholog y , ”  Indi an  Ac ad emy   o f  S ci en ce s ,   2010   [4]   Ism ai l  M.  Kesh ta .   “ Handwrit ten  Digit   R ec ogn it ion  b ase d  on  Output  Inde p en dent   Mult i - L a yer   Perc ept ron’s, ”   ( IJA CSA)   Inte rnational   Journal of  Ad vanc ed   Co mputer  Scienc e and A ppl ic at ions,  vol .   8 ,   n o .   6 ,   20 17 .   [5]   La van y a   K,  Sha ur y a   Bajaj ,   Prat ee k  T ank  Shash wat  Jain ,   “ Handwrit te n  Dig it   R ec ogni ti on  using   Hoeffdi ng  tr e e ,   Dec ision  tr ee   a nd  Random  fore sts  Com par at iv e  Approac h , ”  2 017  Inte rnation al  Confe renc e  on  Computati on al   Inte lligen ce i n  D ata  Sc ie nc e( ICCIDS) , 201 7.   [6]   Nurul  Ilmi,   T jo korda   Agung  Budi  W ,   Kurnia wan  Nur  R,   “ Handwr it ing  Digi t  Recogni t ion  u sing  Local  Bi na ry  Pat te rn  Variance  and  K - Nearest   Nei ghbor  Classifi ca ti on ,”  I EE E ,   Fourth  Inte rnat ional   Confe r ence  on  Informatio n  and  Comm unic a ti on  Te chnol ogi e s ( ICoICT ) ,  2016   [7]   Stuti   As tha na 1,   Am it kant   Pandit,  Dinesh  Go y a ,   “ A  Li te rat ur e  Surve y   On  Be tt er  S y stem  Eff icien c y   Of  Handwrit t en   Num era l  Rec og nit ion,”  Suresh  Gyan  Vi har  Unive rs it y  Int ernati onal  Journ al  of  Env ironm ent ,   Sc ie n ce   a nd  Technol ogy ,   vo l. 3, no.   1,   pp.   1 - 5 ,   Jan   2017 .   [8]   Shengfe ng  Chen ,   Rabia  Alm amlook,   Yuw en  Gu,  Dr.  L ee  well s,   “ Offl ine   Hand writt en  Dig it s  R ec ogni ti on  Us in g   Mac hine   l earni ng ,”  Proc ee din gs  of  the   Inte r nati onal  Conf ere nce   on  Indust rial  Engi ne erin g  and  Operations   Manage ment  Wa shington  DC ,   U SA ,   Sep  27 - 29,   2018.   [9]   Anuj  Dutt,   A ashiDutt ,   “ Handwri tt en  Dig it   R ec og nit ion  Us ing  De ep  L ea rning , ”   In te rnational   Jour nal  of  Adv anc ed   Re search in Co mputer  Engi n ee r ing  &   Technol ogy,   v ol .  6,   no.   7,   Jul 20 17 .   [10]   Pooja  Yada v ,   N idhi ka  Yad av,  “ Handwrit ing  Re cogni ti on   S y st e m -   A  Revi ew, ”  Inte rnational   Jo urnal  of  Computer   Appl ic a ti ons ,   v ol .   114 , n o .   19 ,   pp .   46 - 40 ,   Mar   201 5.   [11]   Aree j  Alsa afi n,   As hra f  El nag ar,  “ A  Minim al   S ubset  of  Feat ur e s  Us ing  Feat ure   Sele c ti on  for  Handwri tt en  Di git  Rec ognition, ”  Jo urnal  of  In te l li g e nt  Learning  S yst ems and  Applica ti ons ,  vo l.  9,   pp.   55 - 68,   2017 .   [12]   J.  J.W ang,   S.G.   Hu1,  X.T.  Zhan,  Q.Yu1,  Z.   Liu,  T .   P.  Chen ,   Y.Yin,   Sum io  Hos aka ,   Y.  Li u,   " Handwrit te n - Digi t   Rec ognition  b y  H y brid   Convol uti onal  Neura l  Network  base d   on  HfO 2  Mem risti ve  Spik ing - Neuron, "   Sc ei nt if i   Re ports ,   Aug   20 18   [13]   Stuti   As tha na ,   Am it kant   Pandi t,   Dinesh  Go y a l,   " A  Li te r at ur e  Surve y   On  Bet t er  S y stem  Eff ic i ency   Of  Handwrit ten   Num era l  Rec og nit ion , "   Suresh  Gyan  Vi har  Unive rs it y   Inte r nati o nal  Journal  of  Env iron ment,   S ci en ce  and   Technol ogy ,   v ol .  3,   no.   1,   Jan  20 17   [14]   Raul   R.   T iwar i ,   A par navi s  H wana ,   D hana shre e   W adhone ,   " H an dwritt en  dig it s  rec ogni ti on  using   bac k  propa ga tion  nuer al   n et work  and  KN N  cl assifie r , "   In te rnatio nal  Journal  of  El e ct rica l,   El e ctr onic s  and  Data  Comm unic ati o n ,    vol.   1 ,   2013 .     Evaluation Warning : The document was created with Spire.PDF for Python.