如何解决使用线性SVC的图像分类
我正在尝试学习线性SVC在SVM中的工作方式,并为此尝试通过对不同参数进行训练和测试来复制一个简单的实验。问题是我似乎无法理解我如何使用我的数据来训练和测试线性SVC算法。基本上,我想做的是将图像识别与Linear SVC结合使用。
我有5个来自5个不同人物的相框,每个图片有22个特征。我的目标是简单地获得图像的训练率,我的问题是我获得100%的率,而当我期望某种程度的大约80%或更少时,我想知道如何才能达到适当的识别率? >
import sklearn
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn import metrics
dataset = np.asarray(data)
target = np.asarray([1]*5 + [2]*5 + [3]*5 + [4]*5 + [5]*5)
svc_1 = SVC(kernel='linear')
X_train,X_test,y_train,y_test = train_test_split(
dataset,target,test_size=0.35,random_state=0)
def train_and_evaluate(clf,X_train,y_test):
clf.fit(X_train,y_train)
print ("Accuracy on training set:")
print (clf.score(X_train,y_train))
print ("Accuracy on testing set:")
print (clf.score(X_test,y_test))
y_pred = clf.predict(X_test)
print ("Classification Report:")
print (metrics.classification_report(y_test,y_pred))
print ("Confusion Matrix:")
print (metrics.confusion_matrix(y_test,y_pred))
train_and_evaluate(svc_1,y_test)
这是我的代码,为了保存可视化效果,我将25x22矩阵上传到了pastebin:https://pastebin.com/6hL6Dign
这是我的输出:
Accuracy on training set:
1.0
Accuracy on testing set:
1.0
Classification Report:
precision recall f1-score support
1 1.00 1.00 1.00 1
2 1.00 1.00 1.00 1
3 1.00 1.00 1.00 1
4 1.00 1.00 1.00 3
5 1.00 1.00 1.00 3
accuracy 1.00 9
macro avg 1.00 1.00 1.00 9
weighted avg 1.00 1.00 1.00 9
简而言之,我想做的是降低比率,因为我减少了数据集中的行数或/和列数,但是我一直保持100%的状态
解决方法
问题是-您的数据集在5个类之间确实分开了。
线索1-目标洗牌
改组目标会导致准确性下降。尝试在目标定义之后添加:
random.shuffle(target) # Requires `import shuffle`
线索2-PCA
我使用principal component analysis (PCA)通过简化为两个功能来可视化您的数据:
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
pca = PCA(n_components=2)
pca_res = pca.fit_transform(data)
plt.scatter(pca_res[:,0],pca_res[:,1],color=list(map(' rgbyc'.__getitem__,target)))
结果:
似乎很明显,这些类之间的分离很好-组内方差比组间方差小得多。显然,即使样本量很小,SVC也不难检测出正确的测试集类别。
修改
似乎甚至不需要PCA。单个特征(例如第二个特征)产生100%的分离。尝试使用以下代码进行编码:
dataset = np.asarray(data)[:,1:2]
并具有可视化功能:
import seaborn as sns
sns.boxplot(x=target,y=dataset[:,1]) # Original dataset used here
结果:
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。