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

4-3项目1—识别猫狗模块❹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3