人工智能实验报告四

人工智能实验报告四课程实验报告课程名称：人工智能实验项目名称：实验四：分类算法实验专业班级：姓名：学号：实验时间：2021年6月18日实验四：分类算法实验一、 实验目的了解有关支持向量机的基本原理能够使用支持向量机的代码解决分类与回归问题3.了解图像分类的基本原理二、 实验的硬件、软件平台硬件：计算机软件：操作系统：*****10应用软件：C++,Java或者Matlab三、 实验内容支持向量机算法训练分类器：1.训练数据集：见文档“分类数据集.doc”，前150个数据作为训练数据，其他数据作为测试数据，数据中“+1”“-1”分别表示正负样本。2.使用代码中的C-SVC算法和默认参数来训练“分类数据集doc”中所有的数据（包括训练数据和测试数据），统计分类查准率。在2的基础上使用k-折交叉验证思想来训练分类器并统计分类查准率。4.使用2中的设置在训练数据的基础上学习分类器，将得到的分类器在测试数据上进行分类预测，统计查准率。在4上尝试不同的C值（"-c”参数）来调节分类器的性能并绘制查准率曲线。尝试不同的kernel函数（"-t”参数）来调节分类器的性能并绘制查准率曲线，对每种kernel函数尝试调节其参数值并评估查准率。实验操作采用提供的windows版本的libsvm完成实验。文档“分类数据集.doc”改名为trainall.doc，前150组数据保存为train.doc后120组保存为test.doc2.使用代码中的C-SVC算法和默认参数来训练“分类数据集.doc”中所有的数据（包括训练数据和测试数据），统计分类查准率。用法：svm-scale[-llower][-uupper][-yy_lowery_upper][-ssave_filename][-rrestore_filename]filename（缺省值：lower=-1,upper=1，没有对y进行缩放）按实验要求这个函数直接使用缺省值就行了。svm-train按要求使用默认的参数；直接在cmd窗口输入：svm-traintrainall.doctrainall.modeltrainall.doc包含“分类数据集.doc”的270组数据即可建立模型，模型文件为：trainall.model.cmd窗口输出：其中，#iter为迭代次数，nu与前面的操作参数-nn相同，obj为SVM文件转换为的二次规划求解得到的最小值，rho为判决函数的常数项b，nSV为支持向量个数，nBSV为边界上的支持向量个数，TotalnSV为支持向量总个数。svm-predict是根据训练获得的模型，对数据集合进行预测。options（操作参数）：-bprobability_estimates:是否需要进行概率估计预测，可选值为0或者1，默认值为0。model_file是由svm-train产生的模型文件；test_file是要进行预测的数据文件；output_file是svm-predict的输出文件，表示预测的结果值。Svm-predict没有其它的选项。使用“分类数据集.doc"的270组数据（trainall.doc）得到的模型trainall.model训练包含120组数据的测试数据集”test.doc”输入命令：svm-predicttest.doctrainall.modeltrainall-test.predict结果：Accuracy=87.5%在2的基础上使用k-折交叉验证思想来训练分类器并统计分类查准率。当svm-train使用-v参数时，此时svm-train返回的不再是一个结构体model，而是交叉验证的精度，对于分类问题，返回的是交叉检验下的平均分类准确率；回归问题，返回的是交叉检验下的平均均方根误差（MSE）。将svm-trainCv参数设置为k（分别设置为2，3，5）选择训练样本trainall.docV=2V=3V=5使用2中的设置在训练数据的基础上学习分类器，将得到的分类器在测试数据上进行分类预测