计算机视觉：图像分类：迁移学习在图像分类中的应用

计算机视觉：图像分类：迁移学习在图像分类中的应用1计算机视觉基础1.1图像处理与特征提取1.1.1原理与内容在计算机视觉领域，图像处理与特征提取是基础中的基础。图像处理涉及对图像进行预处理，如缩放、裁剪、旋转、增强等，以适应后续的分析和识别。特征提取则是从图像中提取出有助于分类或识别的特征，这些特征可以是颜色、纹理、形状、边缘等。示例：使用OpenCV进行图像预处理#导入必要的库

importcv2

importnumpyasnp

#读取图像

image=cv2.imread('path/to/your/image.jpg')

#调整图像大小

resized_image=cv2.resize(image,(224,224))

#裁剪图像

cropped_image=image[50:200,50:200]

#旋转图像

rows,cols,_=image.shape

M=cv2.getRotationMatrix2D((cols/2,rows/2),90,1)

rotated_image=cv2.warpAffine(image,M,(cols,rows))

#图像增强：调整亮度和对比度

alpha=1.5#对比度

beta=50#亮度

adjusted_image=cv2.convertScaleAbs(image,alpha=alpha,beta=beta)

#显示图像

cv2.imshow('OriginalImage',image)

cv2.imshow('ResizedImage',resized_image)

cv2.imshow('CroppedImage',cropped_image)

cv2.imshow('RotatedImage',rotated_image)

cv2.imshow('AdjustedImage',adjusted_image)

cv2.waitKey(0)

cv2.destroyAllWindows()示例：使用Scikit-learn进行特征提取#导入必要的库

fromsklearn.feature_extraction.imageimportextract_patches_2d

fromsklearn.decompositionimportPCA

#读取图像并转换为灰度

image=cv2.imread('path/to/your/image.jpg',cv2.IMREAD_GRAYSCALE)

#提取图像块作为特征

patches=extract_patches_2d(image,(8,8))

#使用PCA进行特征降维

pca=PCA(n_components=10)

reduced_features=pca.fit_transform(patches.reshape(patches.shape[0],-1))

#打印降维后的特征

print(reduced_features)1.2卷积神经网络（CNN）简介1.2.1原理与内容卷积神经网络(ConvolutionalNeuralNetworks,CNN)是深度学习中的一种重要模型，特别适用于图像处理和识别任务。CNN通过卷积层、池化层和全连接层的组合，能够自动学习图像的层次特征，从边缘、纹理到更复杂的形状和模式。示例：使用Keras构建一个简单的CNN模型#导入必要的库

fromkeras.modelsimportSequential

fromkeras.layersimportConv2D,MaxPooling2D,Flatten,Dense

#创建模型

model=Sequential()

#添加卷积层

model.add(Conv2D(32,(3,3),activation='relu',input_shape=(224,224,3)))

#添加池化层

model.add(MaxPooling2D(pool_size=(2,2)))

#添加第二个卷积层

model.add(Conv2D(64,(3,3),activation='relu'))

#添加第二个池化层

model.add(MaxPooling2D(pool_size=(2,2)))

#添加全连接层前的平坦化层

model.add(Flatten())

#添加全连接层

model.add(Dense(128,activation='relu'))

model.add(Dense(10,activation='softmax'))#假设我们有10个分类

#编译模型

pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

#打印模型结构

model.summary()1.2.2数据样例假设我们有一个图像数据集，包含224x224像素的RGB图像，用于训练上述CNN模型。数据集分为训练集和测试集，每个图像都有一个对应的标签，表示图像属于的类别。#导入必要的库

importnumpyasnp

fromkeras.utilsimportto_categorical

#创建一个示例图像数据集

X_train=np.random.rand(1000,224,224,3)#1000个训练图像

X_test=np.random.rand(200,224,224,3)#200个测试图像

#创建示例标签数据集

y_train=np.random.randint(0,10,size=(1000,))#1000个训练标签

y_test=np.random.randint(0,10,size=(200,))#200个测试标签

#将标签转换为one-hot编码

y_train=to_categorical(y_train,num_classes=10)

y_test=to_categorical(y_test,num_classes=10)1.2.3训练模型使用生成的示例数据集来训练CNN模型。#训练模型

model.fit(X_train,y_train,epochs=10,batch_size=32,validation_data=(X_test,y_test))通过以上示例，我们不仅了解了图像处理和特征提取的基本操作，还学习了如何构建和训练一个简单的CNN模型，这是计算机视觉中图像分类任务的基础。2迁移学习概念2.1迁移学习的基本原理迁移学习（TransferLearning）是一种机器学习方法，其核心思想是将一个已经训练好的模型（通常是在大规模数据集上训练的）的知识迁移到一个新的任务中，以减少新任务所需的数据量和训练时间。在计算机视觉领域，尤其是图像分类任务中，迁移学习的应用非常广泛。这是因为图像分类模型通常需要大量的标注数据来训练，而获取这些数据既耗时又昂贵。通过使用预训练模型，我们可以利用其在大量数据上学习到的特征表示，来加速新任务的学习过程。2.1.1原理详解迁移学习的基本原理可以分为以下几个步骤：1.预训练模型选择：选择一个已经在大规模数据集（如ImageNet）上训练好的模型，这些模型通常具有强大的特征提取能力。2.特征提取：将预训练模型的前几层用于提取输入图像的特征，这些层通常包含卷积层和池化层，能够捕捉图像的局部和全局特征。3.模型微调：在特征提取的基础上，可以冻结预训练模型的某些层，只训练最后几层（通常是全连接层），以适应新任务的分类需求。如果新任务的数据集足够大，也可以对整个模型进行微调。4.新任务训练：使用新任务的数据集来训练模型的最后几层，或者进行整个模型的微调，以学习新任务的特定特征和分类边界。2.1.2代码示例以下是一个使用PyTorch框架和预训练的ResNet模型进行迁移学习的示例代码：importtorch

importtorch.nnasnn

importtorchvision.modelsasmodels

importtorchvision.transformsastransforms

fromtorch.utils.dataimportDataLoader

fromtorchvision.datasetsimportImageFolder

#1.预训练模型选择

model=models.resnet18(pretrained=True)

#2.特征提取

forparaminmodel.parameters():

param.requires_grad=False

#更换最后一层以适应新任务

num_features=model.fc.in_features

model.fc=nn.Linear(num_features,10)#假设新任务有10个类别

#3.模型微调

forparaminmodel.fc.parameters():

param.requires_grad=True

#4.新任务训练

data_transforms=transforms.Compose([

transforms.Resize(256),

transforms.CenterCrop(224),

transforms.ToTensor(),

transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])

])

#加载数据集

dataset=ImageFolder('path_to_your_dataset',transform=data_transforms)

data_loader=DataLoader(dataset,batch_size=32,shuffle=True)

#定义损失函数和优化器

criterion=nn.CrossEntropyLoss()

optimizer=torch.optim.SGD(model.fc.parameters(),lr=0.001,momentum=0.9)

#训练模型

device=torch.device("cuda:0"iftorch.cuda.is_available()else"cpu")

model.to(device)

model.train()

forepochinrange(10):#迭代10次

running_loss=0.0

forinputs,labelsindata_loader:

inputs,labels=inputs.to(device),labels.to(device)

optimizer.zero_grad()

outputs=model(inputs)

loss=criterion(outputs,labels)

loss.backward()

optimizer.step()

running_loss+=loss.item()*inputs.size(0)

epoch_loss=running_loss/len(dataset)

print(f'Epoch{epoch+1},Loss:{epoch_loss}')2.1.3数据样例在上述代码中，我们使用了ImageFolder类来加载数据集，这意味着数据集应该按照以下结构组织：path_to_your_dataset/

class1/

image1.jpg

image2.jpg

...

class2/

image1.jpg

image2.jpg

...

...每个子文件夹代表一个类别，其中包含该类别的图像。2.2预训练模型的利用预训练模型在迁移学习中的利用主要体现在两个方面：特征提取和模型微调。2.2.1特征提取在特征提取阶段，我们通常会冻结预训练模型的大部分层，只使用其作为特征提取器。这样做的好处是，我们可以利用预训练模型在大量数据上学习到的通用特征，而不需要从头开始训练模型，从而大大减少了训练时间和计算资源的需求。2.2.2模型微调模型微调是在特征提取的基础上，进一步调整预训练模型的某些层，以更好地适应新任务。微调可以是局部的，即只调整最后几层，也可以是全局的，即调整整个模型。局部微调适用于新任务数据集较小的情况，而全局微调则适用于新任务数据集较大，且预训练模型的特征表示需要进一步调整以适应新任务的情况。2.2.3代码示例以下是一个使用TensorFlow框架和预训练的VGG16模型进行迁移学习的示例代码：importtensorflowastf

fromtensorflow.keras.applicationsimportVGG16

fromtensorflow.keras.preprocessing.imageimportImageDataGenerator

fromtensorflow.keras.modelsimportModel

fromtensorflow.keras.layersimportDense,GlobalAveragePooling2D

#1.预训练模型选择

base_model=VGG16(weights='imagenet',include_top=False,input_shape=(224,224,3))

#2.特征提取

forlayerinbase_model.layers:

layer.trainable=False

#添加新层以适应新任务

x=base_model.output

x=GlobalAveragePooling2D()(x)

x=Dense(1024,activation='relu')(x)

predictions=Dense(10,activation='softmax')(x)#假设新任务有10个类别

model=Model(inputs=base_model.input,outputs=predictions)

#3.模型微调

forlayerinmodel.layers[-4:]:

layer.trainable=True

#4.新任务训练

train_datagen=ImageDataGenerator(rescale=1./255)

train_generator=train_datagen.flow_from_directory(

'path_to_your_dataset/train',

target_size=(224,224),

batch_size=32,

class_mode='categorical')

pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

model.fit(train_generator,epochs=10)2.2.4数据样例在上述代码中，我们使用了ImageDataGenerator来加载和预处理数据集，这意味着数据集应该按照以下结构组织：path_to_your_dataset/

train/

class1/

image1.jpg

image2.jpg

...

class2/

image1.jpg

image2.jpg

...

...每个子文件夹代表一个类别，其中包含该类别的训练图像。测试数据集也应该按照类似的结构组织，但位于不同的目录下，如path_to_your_dataset/test。通过以上两个示例，我们可以看到迁移学习在图像分类任务中的应用，以及如何利用预训练模型进行特征提取和模型微调，以适应新任务的需求。3预训练模型选择与应用3.1流行预训练模型概述在计算机视觉领域，预训练模型是迁移学习的核心。这些模型通常在大规模数据集上进行训练，如ImageNet，以学习通用的图像特征。以下是几种流行的预训练模型：3.1.1VGG16VGG16是一个16层的深度学习模型，由牛津大学视觉几何组提出。它以其简单性和有效性而闻名，使用3x3的卷积核和2x2的池化层。VGG16在ImageNet数据集上取得了优异的性能，是图像分类任务的常用选择。3.1.2ResNetResNet（残差网络）解决了深度网络中的梯度消失问题，通过引入跳过连接（skipconnections）来允许梯度直接回传。ResNet有多种变体，如ResNet50、ResNet101和ResNet152，数字表示网络的层数。3.1.3InceptionInception网络由Google提出，其核心是Inception模块，该模块通过并行的1x1、3x3、5x5卷积和最大池化层来提取不同尺度的特征。Inceptionv3和Inceptionv4是该系列的两个流行版本。3.1.4EfficientNetEfficientNet是一个高效的模型系列，通过复合缩放（复合宽度、深度和分辨率的缩放）来优化模型性能。EfficientNet-B0到EfficientNet-B7是其不同大小的变体。3.2模型选择策略选择预训练模型时，应考虑以下策略：3.2.1任务相关性选择与目标任务最相关的模型。例如，如果目标是识别细粒度的图像类别，如不同种类的狗，可能需要一个在类似任务上训练的模型。3.2.2模型大小与计算资源较大的模型通常性能更好，但需要更多的计算资源。根据可用的GPU内存和训练时间，选择一个适合的模型大小。3.2.3数据集大小如果目标数据集较小，使用一个在大规模数据集上预训练的模型可能更有效，因为它已经学习了通用的图像特征。对于大规模数据集，可以考虑从头开始训练一个模型。3.2.4特征提取与微调决定是否仅使用预训练模型进行特征提取，或者在目标数据集上进行微调。特征提取通常在模型的卷积层进行，而微调可能涉及整个模型。3.2.5代码示例：使用PyTorch加载预训练的ResNet50模型importtorch

importtorchvision.modelsasmodels

#加载预训练的ResNet50模型

model=models.resnet50(pretrained=True)

#将模型设置为评估模式，用于特征提取

model.eval()

#假设我们有一个图像数据集的加载器

#data_loader=...

#遍历数据集，使用模型进行特征提取

#forimages,labelsindata_loader:

#features=model(images)

##这里features是模型的输出，可以用于进一步的分类任务3.2.6代码示例：使用TensorFlow和Keras微调预训练的VGG16模型importtensorflowastf

fromtensorflow.keras.applicationsimportVGG16

fromtensorflow.keras.modelsimportModel

fromtensorflow.keras.layersimportDense,GlobalAveragePooling2D

#加载预训练的VGG16模型，不包括顶部的全连接层

base_model=VGG16(weights='imagenet',include_top=False,input_shape=(224,224,3))

#添加全局平均池化层

x=base_model.output

x=GlobalAveragePooling2D()(x)

#添加一个全连接层

x=Dense(1024,activation='relu')(x)

#添加一个分类层，假设我们有10个类别

predictions=Dense(10,activation='softmax')(x)

#构建我们需要训练的模型

model=Model(inputs=base_model.input,outputs=predictions)

#首先，我们只训练顶部的几层（即随机初始化的层）

#锁定所有VGG16的层

forlayerinbase_model.layers:

layer.trainable=False

#编译模型（一定要在锁层之后进行）

pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

#假设我们有一个图像数据集的加载器

#data_loader=...

#训练模型

#model.fit(data_loader,epochs=10)

#解锁VGG16的顶层，进行微调

forlayerinbase_model.layers[-4:]:

layer.trainable=True

#重新编译模型

pile(optimizer=tf.keras.optimizers.Adam(1e-5),loss='categorical_crossentropy',metrics=['accuracy'])

#继续训练模型

#model.fit(data_loader,epochs=10)以上代码示例展示了如何在PyTorch和TensorFlow中使用预训练模型进行特征提取和微调。选择正确的预训练模型并正确应用，可以显著提高图像分类任务的性能。4迁移学习在图像分类中的实践4.1数据集准备与预处理在进行图像分类任务时，数据集的准备与预处理是至关重要的步骤。这不仅包括数据的收集，还需要对数据进行清洗、标注、划分以及预处理，以确保模型能够从数据中学习到有效的特征。4.1.1数据收集与标注数据收集通常涉及从互联网、实验室实验或传感器数据中获取图像。标注则需要为每张图像分配一个或多个类别标签。例如，如果我们的任务是识别猫和狗，那么每张图像都需要标记为“猫”、“狗”或“其他”。4.1.2数据集划分数据集通常被划分为训练集、验证集和测试集。训练集用于训练模型，验证集用于调整模型参数，测试集用于评估模型的最终性能。一个常见的划分比例是80%的训练集，10%的验证集，和10%的测试集。4.1.3数据预处理数据预处理包括图像的缩放、裁剪、翻转、亮度调整等操作，以增强模型的泛化能力。例如，使用ImageDataGenerator类可以实现这些功能：fromtensorflow.keras.preprocessing.imageimportImageDataGenerator

#创建一个ImageDataGenerator实例

datagen=ImageDataGenerator(

rescale=1./255,#将像素值缩放到0-1之间

rotation_range=20,#随机旋转图像的角度范围

width_shift_range=0.2,#水平方向上随机平移图像的范围

height_shift_range=0.2,#垂直方向上随机平移图像的范围

horizontal_flip=True,#随机水平翻转图像

fill_mode='nearest'#填充新创建的像素的方法

)

#加载数据集

train_generator=datagen.flow_from_directory(

'path/to/train',#训练数据的目录

target_size=(224,224),#将所有图像调整为224x224大小

batch_size=32,

class_mode='categorical'#生成分类标签

)4.2模型微调与训练技巧迁移学习允许我们利用预训练模型在新任务上的性能。这通常涉及将预训练模型的底层特征提取器与一个新的分类器层结合，然后对整个模型进行微调。4.2.1加载预训练模型我们可以使用tf.keras.applications模块中的预训练模型，如VGG16、ResNet50等。以下是如何加载VGG16模型并冻结其底层：fromtensorflow.keras.applicationsimportVGG16

#加载预训练的VGG16模型，不包括顶层的分类器

base_model=VGG16(weights='imagenet',include_top=False,input_shape=(224,224,3))

#冻结模型的底层

forlayerinbase_model.layers:

layer.trainable=False4.2.2添加分类器层在预训练模型的顶部添加一个分类器层，通常是一个或多个全连接层，最后是一个softmax层用于分类：fromtensorflow.kerasimportlayers,models

#添加分类器层

model=models.Sequential()

model.add(base_model)

model.add(layers.Flatten())

model.add(layers.Dense(256,activation='relu'))

model.add(layers.Dropout(0.5))

model.add(layers.Dense(2,activation='softmax'))#假设我们有2个类别：猫和狗4.2.3微调模型在模型训练后，我们可以解冻预训练模型的某些层，进行进一步的微调：#解冻预训练模型的最后几层

forlayerinbase_model.layers[-4:]:

layer.trainable=True

#编译模型

pile(optimizer=tf.keras.optimizers.Adam(1e-5),#低学习率

loss='categorical_crossentropy',

metrics=['accuracy'])

#训练模型

history=model.fit(

train_generator,

steps_per_epoch=100,#每个epoch的训练步数

epochs=10,#训练的总epoch数

validation_data=validation_generator,

validation_steps=50#每个epoch的验证步数

)4.2.4训练技巧学习率调整：在微调预训练模型时，使用较低的学习率可以防止模型快速遗忘之前学习到的特征。早停法：使用EarlyStopping回调可以防止过拟合，当验证集上的性能在几个epoch内没有提升时，训练将自动停止。模型检查点：使用ModelCheckpoint回调可以保存训练过程中性能最好的模型。fromtensorflow.keras.callbacksimportEarlyStopping,ModelCheckpoint

#定义早停法

early_stopping=EarlyStopping(monitor='val_loss',patience=5)

#定义模型检查点

checkpoint=ModelCheckpoint('model.h5',monitor='val_accuracy',save_best_only=True)

#训练模型，同时使用早停法和模型检查点

history=model.fit(

train_generator,

steps_per_epoch=100,

epochs=10,

validation_data=validation_generator,

validation_steps=50,

callbacks=[early_stopping,checkpoint]

)通过以上步骤，我们可以有效地利用迁移学习来提高图像分类任务的性能，同时减少训练时间和数据需求。5案例分析与应用拓展5.1迁移学习在特定领域图像分类中的应用案例在计算机视觉领域，迁移学习（TransferLearning）是一种强大的技术，它允许我们利用在大规模数据集上预训练的模型来解决特定领域的小数据集问题。通过迁移学习，我们可以显著减少在新任务上训练模型所需的时间和计算资源，同时提高模型的性能。下面，我们将通过一个具体的案例来展示迁移学习在医学图像分类中的应用。5.1.1案例背景假设我们有一组医学图像，这些图像包含不同类型的肿瘤，我们的目标是训练一个模型，能够准确地识别出这些肿瘤的类型。然而，医学图像数据集往往较小，且获取成本高，这使得从零开始训练一个深度学习模型变得困难。为了解决这个问题，我们可以利用迁移学习，使用在ImageNet上预训练的模型作为我们的基础模型。5.1.2实现步骤选择预训练模型：我们选择使用VGG16模型，它在ImageNet数据集上进行了预训练，具有良好的图像特征提取能力。数据准备：我们需要一个包含肿瘤图像的数据集。假设我们有以下数据结构：data/

├──train/

│├──class1/

││├──image1.jpg

││├──image2.jpg

││└──...

│├──class2/

││├──image1.jpg

││├──image2.jpg

││└──...

│└──...

└──validation/

├──class1/

│├──image1.jpg

│├──image2.jpg

│└──...

├──class2/

│├──image1.jpg

│├──image2.jpg

│└──...

└──...模型调整：我们将VGG16模型的最后几层替换为适合我们任务的全连接层，并添加一个输出层，用于分类肿瘤类型。训练模型：使用我们的数据集对模型进行微调，只训练最后添加的几层。评估模型：在验证集上评估模型的性能，确保它能够准确地分类肿瘤类型。5.1.3代码示例importtensorflowastf

fromtensorflow.keras.applicationsimportVGG16

fromtensorflow.keras.layersimportDense,Flatten

fromtensorflow.keras.modelsimportModel

fromtensorflow.keras.preprocessing.imageimportImageDataGenerator

#加载预训练的VGG16模型，不包含顶部分类层

base_model=VGG16(weights='imagenet',include_top=False,input_shape=(224,224,3))

#添加自定义的顶层

x=base_model.output

x=Flatten()(x)

x=Dense(1024,activation='relu')(x)

predictions=Dense(num_classes,activation='softmax')(x)

#创建新的模型

model=Model(inputs=base_model.input,outputs=predictions)

#冻结基础模型的层，只训练顶层

forlayerinbase_model.layers:

layer.trainable=False

#编译模型

pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])

#数据增强

train_datagen=ImageDataGenerator(rescale=1./255,

shear_range=0.2,

zoom_range=0.2,

horizontal_flip=True)

validation_datagen=ImageDataGenerator(rescale=1./255)

#加载数据

train_generator=train_datagen.flow_from_directory(

'data/train',

target_size=(224,224),

batch_size=32,

class_mode='categorical')

validation_generator=validation_datagen.flow_from_directory(

'data/validation',

target_size=(224,224),

batch_size=32,

class_mode='categorical')

#训练模型

model.fit(

train_generator,

epochs=10,

validation_data=validation_generator)5.1.4解释在上述代码中，我们首先加载了预训练的VGG16模型，并将其顶部分类层去掉。然后，我们添加了自定义的全连接层和输出层，以适应我们的分类任务。通过冻结基础模型的层，我们确保了只训练我们添加的顶层，这有助于我们利用预训练模型的特征提取能力，同时避免了过拟合的风险。最后，我们使用数据增强技术来增加训练数据的多样性，从而提高模型的泛化能力。5.2模型性能优化与评估方法在应用迁移学习进行图像分类时，模型的性能优化和评估是至关重要的步骤。这不仅涉及到模型的微调，还包括了选择合适的评估指标和验证策略。下面，我们将探讨如何优化和评估一个迁移学习模型。5.2.1性能优化学习率调整：在微调模型时，使用较小的学习率可以避免破坏预训练模型的权重，从而有助于模型性能的提升。批量归一化：在模型中添加批量归一化层可以加速训练过程，并提高模型的稳定性。Dropout：在全连接层中使用Dropout可以减少过拟合，提高模型的泛化能力。5.2.2评估方法交叉验证：使用k折交叉验证可以更准确地评估模型的性能，避免因数据集划分不当导致的评估偏差。混淆矩阵：混淆矩阵可以清晰地展示模型在各个类别上的分类性能，帮助我们理解模型的分类错误类型。AUC-ROC曲线：对于多分类问题，我们可以计算每个类别的AUC-ROC曲线，以评估模型的分类能力。5.2.3代码示例#调整学习率

fromtensorflow.keras.optimizersimportAdam

optimizer=Adam(learning_rate=0.0001)

pile(optimizer=optimizer,loss='categorical_crossentropy',metrics=['accuracy'])

#执行k折交叉验证

fromsklearn.model_selectionimportStratifiedKFold

kfold=StratifiedKFold(n_splits=5,shuffle=True)

cvscores=[]

fortrain,valinkfold.split(X,y):

model.fit(X[train],y[train],epochs=10,batch_size=32,verbose=0)

scores=model.evaluate(X[val],y[val],verbose=0)

cvscores.append(scores[1]*100)

print(f"Averageaccuracy:{np.mean(cvscores)}")

#计算混淆矩阵

fromsklearn.metricsimportconfusion_matrix

importnumpyasnp

y_pred=model.predict(X_test)

y_pred_classes=np.argmax(y_pred,axis=1)

y_true=np.argmax(y_test,axis=1)

cm=confusion_matrix(y_true,y_pred_classes)

print(cm)5.2.4解释在优化模型性能时，我们通过调整学习率来确保模型能够更精细地调整权重，避免了训练过程中的大幅波动。批量归一化和Dropout的使用进一步提高了模型的稳定性和泛化能力。评估模型时，我们使用了k折交叉验证来确保模型评估的准确性