人工智能實驗報告四

人工智能實驗報告四課程實驗報告課程名稱：人工智能實驗項目名稱：實驗四：分類算法實驗專業(yè)班級：姓名：學(xué)號：實驗時間：2021年6月18日實驗四：分類算法實驗一、 實驗?zāi)康牧私庥嘘P(guān)支持向量機的基本原理能夠使用支持向量機的代碼解決分類與回歸問題3.了解圖像分類的基本原理二、 實驗的硬件、軟件平臺硬件：計算機軟件：操作系統(tǒng)：*****10應(yīng)用軟件：C++,Java或者M(jìn)atlab三、 實驗內(nèi)容支持向量機算法訓(xùn)練分類器：1.訓(xùn)練數(shù)據(jù)集：見文檔“分類數(shù)據(jù)集.doc”，前150個數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其他數(shù)據(jù)作為測試數(shù)據(jù)，數(shù)據(jù)中“+1”“-1”分別表示正負(fù)樣本。2.使用代碼中的C-SVC算法和默認(rèn)參數(shù)來訓(xùn)練“分類數(shù)據(jù)集doc”中所有的數(shù)據(jù)（包括訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)），統(tǒng)計分類查準(zhǔn)率。在2的基礎(chǔ)上使用k-折交叉驗證思想來訓(xùn)練分類器并統(tǒng)計分類查準(zhǔn)率。4.使用2中的設(shè)置在訓(xùn)練數(shù)據(jù)的基礎(chǔ)上學(xué)習(xí)分類器，將得到的分類器在測試數(shù)據(jù)上進(jìn)行分類預(yù)測，統(tǒng)計查準(zhǔn)率。在4上嘗試不同的C值（"-c”參數(shù)）來調(diào)節(jié)分類器的性能并繪制查準(zhǔn)率曲線。嘗試不同的kernel函數(shù)（"-t”參數(shù)）來調(diào)節(jié)分類器的性能并繪制查準(zhǔn)率曲線，對每種kernel函數(shù)嘗試調(diào)節(jié)其參數(shù)值并評估查準(zhǔn)率。實驗操作采用提供的windows版本的libsvm完成實驗。文檔“分類數(shù)據(jù)集.doc”改名為trainall.doc，前150組數(shù)據(jù)保存為train.doc后120組保存為test.doc2.使用代碼中的C-SVC算法和默認(rèn)參數(shù)來訓(xùn)練“分類數(shù)據(jù)集.doc”中所有的數(shù)據(jù)（包括訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)），統(tǒng)計分類查準(zhǔn)率。用法：svm-scale[-llower][-uupper][-yy_lowery_upper][-ssave_filename][-rrestore_filename]filename（缺省值：lower=-1,upper=1，沒有對y進(jìn)行縮放）按實驗要求這個函數(shù)直接使用缺省值就行了。svm-train按要求使用默認(rèn)的參數(shù)；直接在cmd窗口輸入：svm-traintrainall.doctrainall.modeltrainall.doc包含“分類數(shù)據(jù)集.doc”的270組數(shù)據(jù)即可建立模型，模型文件為：trainall.model.cmd窗口輸出：其中，#iter為迭代次數(shù)，nu與前面的操作參數(shù)-nn相同，obj為SVM文件轉(zhuǎn)換為的二次規(guī)劃求解得到的最小值，rho為判決函數(shù)的常數(shù)項b，nSV為支持向量個數(shù)，nBSV為邊界上的支持向量個數(shù)，TotalnSV為支持向量總個數(shù)。svm-predict是根據(jù)訓(xùn)練獲得的模型，對數(shù)據(jù)集合進(jìn)行預(yù)測。options（操作參數(shù)）：-bprobability_estimates:是否需要進(jìn)行概率估計預(yù)測，可選值為0或者1，默認(rèn)值為0。model_file是由svm-train產(chǎn)生的模型文件；test_file是要進(jìn)行預(yù)測的數(shù)據(jù)文件；output_file是svm-predict的輸出文件，表示預(yù)測的結(jié)果值。Svm-predict沒有其它的選項。使用“分類數(shù)據(jù)集.doc"的270組數(shù)據(jù)（trainall.doc）得到的模型trainall.model訓(xùn)練包含120組數(shù)據(jù)的測試數(shù)據(jù)集”test.doc”輸入命令：svm-predicttest.doctrainall.modeltrainall-test.predict結(jié)果：Accuracy=87.5%在2的基礎(chǔ)上使用k-折交叉驗證思想來訓(xùn)練分類器并統(tǒng)計分類查準(zhǔn)率。當(dāng)svm-train使用-v參數(shù)時，此時svm-train返回的不再是一個結(jié)構(gòu)體model，而是交叉驗證的精度，對于分類問題，返回的是交叉檢驗下的平均分類準(zhǔn)確率；回歸問題，返回的是交叉檢驗下的平均均方根誤差（MSE）。將svm-trainCv參數(shù)設(shè)置為k（分別設(shè)置為2，3，5）選擇訓(xùn)練樣本trainall.docV=2V=3V=5使用2中的設(shè)置在訓(xùn)練數(shù)據(jù)的基礎(chǔ)上學(xué)習(xí)分類器，將得到的分類器在測試數(shù)據(jù)上進(jìn)行分類預(yù)測