人工智能基础与应用（第2版）（微课版）课件 4-3 项目1—识别猫狗.pptx

4-3项目1—识别猫狗模块?分门别类：帮你“分而治之”

目录CONTENTS提出问题01预备知识03解决方案02任务1—样本数据预处理04任务3—评估模型效果06任务2—构建及训练KNN模型05

一.提出问题问题描述对于人类来说，可以很容易识别身边的猫和狗，这是人类视觉经千万年演变进化的结果。但对于计算机而言，想让它识别一个图像上的猫和狗就不那么容易了。如何能让计算机识别出下图中的猫和狗呢？

二.解决方案1.选择分类器选用KNN其核心思想是：如果一个样本在特征空间中的k个最近邻中的多数属于某个类别，则该样本也属于这个类别。通常采用欧氏距离来计算两样本之间的距离大小，并据此找到某样本的k个最近邻。猫或狗？K个最近邻中，多数是猫K个最近邻中，多数是狗

二.解决方案2.解决方案

三.预备知识1.图像灰度化灰度化实现代码：

三.预备知识2.欧氏距离点X与点Y之间的欧氏距离等于各特征值之差的平方和的平方根用KNN算法计算两个样本之间的距离，以此来判定某个样本周围哪些邻居离它是最近的或者是最相似的。欧氏距离是常用的一种计算公式。样本X与样本Y之间的欧氏距离等于各特征值之差的平方和的平方根

三.预备知识3.KNN算法的主要参数点X与点Y之间的欧氏距离等于各特征值之差的平方和的平方根

三.预备知识4.分类性能度量指标（1）真正（TruePositive，TP）：被模型预测为正的正样本。（2）假正（FalsePositive，FP）：被模型预测为正的负样本。（3）假负（FalseNegative，FN）：被模型预测为负的正样本。（4）真负（TrueNegative，TN）：被模型预测为负的负样本。（1）真正（TruePositive，TP）：被模型预测为正的正样本。（2）假正（FalsePositive，FP）：被模型预测为正的负样本。（3）假负（FalseNegative，FN）：被模型预测为负的正样本。（4）真负（TrueNegative，TN）：被模型预测为负的负样本。

三.预备知识4.分类性能度量指标（1）精确率（2）正确率（3）召回率（4）F1值

四.任务1——样本数据预处理1.将图像信息转存为向量（1）导入相关的库（2）定义转换函数img2array将图像数据转换成一维向量

四.任务1——样本数据预处理1.将图像信息转存为向量（3）调用函数生成向量保存灰度图像信息的向量内容

四.任务1——样本数据预处理2.批量生成样本数据（1）生成所有样本的特征值和标签值

四.任务1——样本数据预处理2.批量生成样本数据（2）样本数据的归一化处理归一化数据生成训练集和测试集

四.任务2——构建及训练KNN模型1.构建KNN模型上述代码定义一个KNN模型knn，模型中参数n_neighbors=13（采用训练样本数量的平方根的一半）、p=2表示使用欧氏距离来计算样本相似度大小，weights=distance表示权重与距离成反比，即更近的近邻有更高的权重。

四.任务2——构建及训练KNN模型2.训练模型（1）用训练集x_train、y_train来训练模型（2）观察模型训练效果训练效果不错，在测试集上是否任然有很好的表现？

四.任务3——评估模型效果1.测试模型性能模型性能测试报告评价精度为63%狗的召回率62%猫的召回率64%什么原因导致模型不理想？

四.任务3——评估模型效果2.通过交叉表了解模型的错分情况(1)直观分析：

四.任务3——评估模型效果2.通过交叉表了解模型的错分情况(2)交叉表分析：正确识别36个错误划分34个

四.任务3——评估模型效果2.通过交叉表了解模型的错分情况如何去改善模型的性能例如尝试改变模型参数K

人工智能基础与应用Thankyouverymuch!