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：學號：實驗時間：2021年6月18日實驗四：分類算法實驗一、 實驗目的了解有關(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應用軟件：C++,Java或者Matlab三、 實驗內(nèi)容支持向量機算法訓練分類器：1.訓練數(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”分別表示正負樣本。2.使用代碼中的C-SVC算法和默認參數(shù)來訓練“分類數(shù)據(jù)集doc”中所有的數(shù)據(jù)（包括訓練數(shù)據(jù)和測試數(shù)據(jù)），統(tǒng)計分類查準率。在2的基礎上使用k-折交叉驗證思想來訓練分類器并統(tǒng)計分類查準率。4.使用2中的設置在訓練數(shù)據(jù)的基礎上學習分類器，將得到的分類器在測試數(shù)據(jù)上進行分類預測，統(tǒng)計查準率。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算法和默認參數(shù)來訓練“分類數(shù)據(jù)集.doc”中所有的數(shù)據(jù)（包括訓練數(shù)據(jù)和測試數(shù)據(jù)），統(tǒng)計分類查準率。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)訓練獲得的模型，對數(shù)據(jù)集合進行預測。options（操作參數(shù)）：-bprobability_estimates:是否需要進行概率估計預測，可選值為0或者1，默認值為0。model_file是由svm-train產(chǎn)生的模型文件；test_file是要進行預測的數(shù)據(jù)文件；output_file是svm-predict的輸出文件，表示預測的結(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的基礎上使用k-折交叉驗證思想來訓練分類器并統(tǒng)計分類查準率。當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)設置為k（分別設置為2，3，5）選擇訓練樣本trainall.docV=2V=3V=5使用2中的設置在訓練數(shù)據(jù)的基礎上學習分類器，將得到的分類器在測試數(shù)據(jù)上進行分類預測