[NHẠC] Chúng ta đang giảm phông và chúng ta sẽ huấn luyện một mô hình cơ bản trong tập dữ liệu này. Điều đầu tiên tôi sẽ làm là không sử dụng các bức tranh mà chỉ sử dụng các điểm ảnh của các hình ảnh và huấn luyện một bộ phân loại trên các điểm ảnh 
của các hình ảnh và xem nó hoạt động tốt như thế nào. Hãy tiếp tục thực hiện nó. @Train a classifier. Tôi sai chính tả ở đây. #Train a classifier on the raw image pixels. Đây sẽ là các tính năng của tôi, các điểm ảnh thô 
không phải là các tính năng sâu. Và tôi sẽ gọi là the raw, xin lỗi raw_pixel_model. Bộ phân loại tôi sẽ sử dụng, tôi có thể sử dụng bộ phân loại. Sự biểu thị sẽ là giống nhau. Tôi sẽ sử dụng quy hồi logic, cái mà chúng ta sử dụng trong ghi chú phân tích cảm tính. Trong quy hồi logic chúng ta sẽ đưa vào tập dữ liệu. Đây là tập dữ liệu huấn luyện. Đây là image_train của tôi. Tôi sẽ nói mục đích là gì. Mục đích là một cột trong tập dữ liệu được gọi là nhãn mác. Và cột đó có nhãn mác cho mỗi hình ảnh. Tôi sẽ nói các tính năng sử dụng là gì. Trong trường hợp này các tính năng
 là một cột được gọi là image_array. Tôi sẽ chạy nó. Tôi đánh sai chính tả, mô đun, tôi quên một thứ và bạn nên nhắc tôi. Trong Graphlab Create động từ mà bạn làm để tạo ra mô hình là create. Graphlab quy hồi logic, logistic_classifier.create tạo ra bộ phân loại. Bây giờ nó thực hiện. Chúng ta đang sử dụng các điểm ảnh thô để xây dựng một bộ phân loại. Giống như một đánh giá nhanh, tôi không mong nó quá tốt. Nhưng hãy tiếp tục làm nó. Nó đã được thực hiện ngay bây giờ. Hãy xem nó đã biểu thị như thế nào. Điều đầu tiên mà tôi sẽ làm là đưa ra dự đoán với mô hình. Hãy #Make a prediction with the simple model based on raw pixels. Tôi sẽ lấy một số hình ảnh từ tập dữ liệu kiểm tra và tôi sẽ xem bộ phân loại thể hiện điều gì. Tôi sẽ gọi là image_test và nhìn vào ba hình ảnh đầu tiên. image 0:3, image0,1 và 2. Và tôi sẽ nhìn vào các hình ảnh. Tôi sẽ nhập .show() để cho bạn thấy các hình ảnh là gì. Đây chúng ta có. Các hình ảnh như tôi đã nói là một phần nhỏ trong tập dữ liệu. Nhưng tôi sẽ làm cái này lớn hơn, các hình ảnh ở đây là một con mèo, một chiếc ô tô và một con mèo nữa. Hai con mèo và một chiếc ô tô. Ô tô, mèo à không mèo, ô tô, mèo. Tôi sẽ bỏ phông to để chúng ta có thể thấy các kết quả. Bây giờ hãy nhìn vào các nhãn mác cho hình ảnh này. Đây là dữ liệu kiểm tra này. Và đây là nhân tố từ 0 đến 3, tôi đã nói đó là mèo, ô tô, mèo những hãy xem các nhãn thực là gì. Cột nhãn mác và bạn sẽ thấy nó là mèo, ô tô, mèo. Nó là xe tự động không phải ô tô nhưng cũng giống nhau. Ok hãy xem raw_pixel_model dự đoán điều gì. DDeerr tôi xem cái nó dự đoán cho tập dữ liệu về ba hình ảnh này. Image_test của 03. Sự thực là mèo, ô tô, mèo và nó dự đoán chim, mèo, chim. Nó có ba cái sai vì nghĩ mèo là chim, nó nghĩ rằng ô tô là mèo, nghĩ mèo là chim. Tất cả đều sai. Có thể là một số hình ảnh đầu tiên bị sai, vì thế hãy xem các dự đoán thực là gì. Hãy ước tính mô hình của dữ liệu kiểm tra và xem độ chính xác phân loại thực là gì. #Evaluating raw pixel model on test data. Tôi sẽ lấy raw_pixel_model này và tôi sẽ đánh giá và cái mà đánh giá là nó chỉ làm và tính toán một số lỗi, các chỉ số lỗi, và tôi sẽ sử dụng tập kiểm tra. Ở đây bạn thấy tính chính xác chỉ là 46,8%. Nó thật tệ. Bạn có bốn lớp, đoán ngẫu nhiên là 25% chúng được cân bằng. Ở đây có 46%, không quá thú vị. Có nhiều chi tiết hơn ở đây. Ma trận phức tập đã được vẽ. Tôi sẽ không đi qua nó nhưng ở nhà bạn có thể khám phá thêm. Nhưng chỉ cần nhớ 46%. [NHẠC]