人工智能實(shí)驗(yàn)報(bào)告四課程實(shí)驗(yàn)報(bào)告課程名稱(chēng)：人工智能實(shí)驗(yàn)項(xiàng)目名稱(chēng)：實(shí)驗(yàn)四：分類(lèi)算法實(shí)驗(yàn)專(zhuān)業(yè)班級(jí)：姓名：學(xué)號(hào)：實(shí)驗(yàn)時(shí)間：2021年6月18日實(shí)驗(yàn)四：分類(lèi)算法實(shí)驗(yàn)一、 實(shí)驗(yàn)?zāi)康牧私庥嘘P(guān)支持向量機(jī)的基本原理能夠使用支持向量機(jī)的代碼解決分類(lèi)與回歸問(wèn)題3.了解圖像分類(lèi)的基本原理二、 實(shí)驗(yàn)的硬件、軟件平臺(tái)硬件：計(jì)算機(jī)軟件：操作系統(tǒng)：*****10應(yīng)用軟件：C++,Java或者M(jìn)atlab三、 實(shí)驗(yàn)內(nèi)容支持向量機(jī)算法訓(xùn)練分類(lèi)器：1.訓(xùn)練數(shù)據(jù)集：見(jiàn)文檔“分類(lèi)數(shù)據(jù)集.doc”，前150個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其他數(shù)據(jù)作為測(cè)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(lái)訓(xùn)練“分類(lèi)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(cè)試數(shù)據(jù)），統(tǒng)計(jì)分類(lèi)查準(zhǔn)率。在2的基礎(chǔ)上使用k-折交叉驗(yàn)證思想來(lái)訓(xùn)練分類(lèi)器并統(tǒng)計(jì)分類(lèi)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(lèi)器，將得到的分類(lèi)器在測(cè)試數(shù)據(jù)上進(jìn)行分類(lèi)預(yù)測(cè)，統(tǒng)計(jì)查準(zhǔn)率。在4上嘗試不同的C值（"-c”參數(shù)）來(lái)調(diào)節(jié)分類(lèi)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(lái)調(diào)節(jié)分類(lèi)器的性能并繪制查準(zhǔn)率曲線，對(duì)每種kernel函數(shù)嘗試調(diào)節(jié)其參數(shù)值并評(píng)估查準(zhǔn)率。實(shí)驗(yàn)操作采用提供的windows版本的libsvm完成實(shí)驗(yàn)。文檔“分類(lèi)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(lái)訓(xùn)練“分類(lèi)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(cè)試數(shù)據(jù)），統(tǒng)計(jì)分類(lèi)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(méi)有對(duì)y進(jìn)行縮放）按實(shí)驗(yàn)要求這個(gè)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(lèi)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(xiàng)b，nSV為支持向量個(gè)數(shù)，nBSV為邊界上的支持向量個(gè)數(shù)，TotalnSV為支持向量總個(gè)數(shù)。svm-predict是根據(jù)訓(xùn)練獲得的模型，對(duì)數(shù)據(jù)集合進(jìn)行預(yù)測(cè)。options（操作參數(shù)）：-bprobability_estimates:是否需要進(jìn)行概率估計(jì)預(yù)測(cè)，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(cè)的數(shù)據(jù)文件；output_file是svm-predict的輸出文件，表示預(yù)測(cè)的結(jié)果值。Svm-predict沒(méi)有其它的選項(xiàng)。使用“分類(lèi)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(cè)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(yàn)證思想來(lái)訓(xùn)練分類(lèi)器并統(tǒng)計(jì)分類(lèi)查準(zhǔn)率。當(dāng)svm-train使用-v參數(shù)時(shí)，此時(shí)svm-train返回的不再是一個(gè)結(jié)構(gòu)體model，而是交叉驗(yàn)證的精度，對(duì)于分類(lèi)問(wèn)題，返回的是交叉檢驗(yàn)下的平均分類(lèi)準(zhǔn)確率；回歸問(wèn)題，返回的是交叉檢驗(yàn)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(lèi)器，將得到的分類(lèi)器在測(cè)試數(shù)據(jù)上進(jìn)行分類(lèi)預(yù)測(cè)