[背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community 首先减小字体大小 我们要在这个数据中训练出一个基础模型 我要做的第一件事并不是使用图片 而是使用图片的像素 并且在图片的像素基础上训练分类器
然后观察分类器的效果如何 让我们开始吧 标题是 训练分类器 抱歉我拼错了 恩这次写对了 在像素基础上训练分类器 原始的照片像素就是我的特征 并不是那些深度特征 所以我就把这个叫做 原始像素模型raw_pixel_model 我可以用任意的分类器 预测结果大概差不多 所以我就用逻辑斯提回归了 我们在情感分析中用过 对于逻辑斯蒂回归 在一个数据集中 用训练数据 也就是我的image_train 我会告诉它目标是什么 目标会是数据集中叫做label标签的那一列 那一列每一张图都有标签 我会告诉模型 哪些特征会用到 这些特征叫做image_array 我要运行模型了 我又笔误了 我在这边忘记了添加create 你们该提醒我的 在GraphLab中 create这个代码代表着创造模型 所以正确的代码 应该是logistic_classifier.create 这样应该就能运行了 我们用原始的照片像素来建立起了分类器 这只是快速的复习 我不期待这个预测结果能有多好 但是先做做看吧 完成了 来看看预测的精确度怎么样 第一件事是 我准备先用这个模型做预测 所以标题是用简单的像素模型预测 #Make a prediction with the simple model based on raw pixels 然后我准备从测试数据集中选取一些图片 看一下分类器的结果 所以我就准备用前三张图了 所以说images[0:3] 前三张图片 看一下这几张图 然后我要输入type.show() 来给你看一下那几张图是什么 看这里就是这个 图片在这个数据中有点小 所以我准备放大一下 你可以看到这几张图片是猫 一辆车 和 一个猫 所以说一共是两只猫一辆车 车 猫 不搞错了 猫 车 猫 所以我就准备把字体变得这么大
这样就能看清楚图片了 看看标签吧 这是测试数据 前三个对象 所以说第一个和第三个 我肉眼看到的应该是猫车猫 看看原本的标签 猫 机动车 猫 它说了机动车 不是汽车 但是没什么区别了 所以说 让我们来看模型预测的结果 让我们做个预测 所以说预测的是image_test[0:3] 事实是猫车猫 而预测的是 鸟 猫 鸟 全错 它觉得猫是鸟 汽车是猫 认为第三只猫也是鸟 前三个全错了 但也可能是侥幸的结果 可能只是前几个有错 所以看看全部的结果吧 让我们看看整个测试集模型的结果 和预测正确率是多少 标题是衡量预测结果 然后用raw_pixel_model.evaluate 用evaluate这个函数 evaluate这个函数 是用来计算失败的 那些误差矩阵 所以我会用到测试集 你可以看到准确率只有在46.8% 非常糟糕 一共4类 随机猜测的正确率在25% 我们的分类器正确率只有在46% 情况不乐观 还有更多细节 当我们画出混淆矩阵 我就先不画了 你在家记得要画出来看一下 反正记住准确率只有在46%左右 [背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community