人工智能基礎(chǔ)與應(yīng)用（第2版）（微課版）課件 4-3 項目1-識別貓狗

4-3項目1—識別貓狗模塊?分門別類：幫你“分而治之”目錄CONTENTS提出問題01預(yù)備知識03解決方案02任務(wù)1—樣本數(shù)據(jù)預(yù)處理04任務(wù)3—評估模型效果06任務(wù)2—構(gòu)建及訓(xùn)練KNN模型05一.提出問題問題描述

對于人類來說，可以很容易識別身邊的貓和狗，這是人類視覺經(jīng)千萬年演變進(jìn)化的結(jié)果。但對于計算機(jī)而言，想讓它識別一個圖像上的貓和狗就不那么容易了。如何能讓計算機(jī)識別出下圖中的貓和狗呢？二.解決方案1.選擇分類器選用KNN其核心思想是：如果一個樣本在特征空間中的k個最近鄰中的多數(shù)屬于某個類別，則該樣本也屬于這個類別。通常采用歐氏距離來計算兩樣本之間的距離大小，并據(jù)此找到某樣本的k個最近鄰。貓或狗？K個最近鄰中，多數(shù)是貓K個最近鄰中，多數(shù)是狗二.解決方案2.解決方案三.預(yù)備知識1.圖像灰度化灰度化實現(xiàn)代碼：三.預(yù)備知識2.歐氏距離點X與點Y之間的歐氏距離等于各特征值之差的平方和的平方根用KNN算法計算兩個樣本之間的距離，以此來判定某個樣本周圍哪些鄰居離它是最近的或者是最相似的。歐氏距離是常用的一種計算公式。樣本X與樣本Y之間的歐氏距離等于各特征值之差的平方和的平方根三.預(yù)備知識3.

KNN算法的主要參數(shù)點X與點Y之間的歐氏距離等于各特征值之差的平方和的平方根三.預(yù)備知識4.分類性能度量指標(biāo)（1）真正（TruePositive，TP）：被模型預(yù)測為正的正樣本。（2）假正（FalsePositive，F(xiàn)P）：被模型預(yù)測為正的負(fù)樣本。（3）假負(fù)（FalseNegative，F(xiàn)N）：被模型預(yù)測為負(fù)的正樣本。（4）真負(fù)（TrueNegative，TN）：被模型預(yù)測為負(fù)的負(fù)樣本。（1）真正（TruePositive，TP）：被模型預(yù)測為正的正樣本。（2）假正（FalsePositive，F(xiàn)P）：被模型預(yù)測為正的負(fù)樣本。（3）假負(fù)（FalseNegative，F(xiàn)N）：被模型預(yù)測為負(fù)的正樣本。（4）真負(fù)（TrueNegative，TN）：被模型預(yù)測為負(fù)的負(fù)樣本。三.預(yù)備知識4.分類性能度量指標(biāo)（1）精確率（2）正確率（3）召回率（4）F1值四.任務(wù)1——樣本數(shù)據(jù)預(yù)處理1.將圖像信息轉(zhuǎn)存為向量（1）導(dǎo)入相關(guān)的庫（2）定義轉(zhuǎn)換函數(shù)img2array將圖像數(shù)據(jù)轉(zhuǎn)換成一維向量四.任務(wù)1——樣本數(shù)據(jù)預(yù)處理1.將圖像信息轉(zhuǎn)存為向量（3）調(diào)用函數(shù)生成向量保存灰度圖像信息的向量內(nèi)容四.任務(wù)1——樣本數(shù)據(jù)預(yù)處理2.批量生成樣本數(shù)據(jù)（1）生成所有樣本的特征值和標(biāo)簽值四.任務(wù)1——樣本數(shù)據(jù)預(yù)處理2.批量生成樣本數(shù)據(jù)（2）樣本數(shù)據(jù)的歸一化處理歸一化數(shù)據(jù)生成訓(xùn)練集和測試集四.任務(wù)2——構(gòu)建及訓(xùn)練KNN模型1.構(gòu)建KNN模型上述代碼定義一個KNN模型knn，模型中參數(shù)n_neighbors=13（采用訓(xùn)練樣本數(shù)量的平方根的一半）、p=2表示使用歐氏距離來計算樣本相似度大小，weights='distance'表示權(quán)重與距離成反比，即更近的近鄰有更高的權(quán)重。四.任務(wù)2——構(gòu)建及訓(xùn)練KNN模型2.訓(xùn)練模型（1）用訓(xùn)練集x_train、y_train來訓(xùn)練模型（2）觀察模型訓(xùn)練效果訓(xùn)練效果不錯，在測試集上是否任然有很好的表現(xiàn)？四.任務(wù)3——評估模型效果1.

測試模型性能模型性能測試報告評價精度為63%狗的召回率62%貓的召回率64%什么原因?qū)е履Ｐ筒焕硐耄克?任務(wù)3——評估模型效果2.通過交叉表了解模型的錯分情況(1)直觀分析：四.任務(wù)3——評估模型效果2.通過交叉表了解模型的錯分情況(2)交叉表分析：正確識別36個錯誤劃分3