4-3項目1—識別貓狗模塊?分門別類：幫你“分而治之”目錄CONTENTS提出問題01預備知識03解決方案02任務1—樣本數據預處理04任務3—評估模型效果06任務2—構建及訓練KNN模型05一.提出問題問題描述

對于人類來說，可以很容易識別身邊的貓和狗，這是人類視覺經千萬年演變進化的結果。但對于計算機而言，想讓它識別一個圖像上的貓和狗就不那么容易了。如何能讓計算機識別出下圖中的貓和狗呢？二.解決方案1.選擇分類器選用KNN其核心思想是：如果一個樣本在特征空間中的k個最近鄰中的多數屬于某個類別，則該樣本也屬于這個類別。通常采用歐氏距離來計算兩樣本之間的距離大小，并據此找到某樣本的k個最近鄰。貓或狗？K個最近鄰中，多數是貓K個最近鄰中，多數是狗二.解決方案2.解決方案三.預備知識1.圖像灰度化灰度化實現代碼：三.預備知識2.歐氏距離點X與點Y之間的歐氏距離等于各特征值之差的平方和的平方根用KNN算法計算兩個樣本之間的距離，以此來判定某個樣本周圍哪些鄰居離它是最近的或者是最相似的。歐氏距離是常用的一種計算公式。樣本X與樣本Y之間的歐氏距離等于各特征值之差的平方和的平方根三.預備知識3.

KNN算法的主要參數點X與點Y之間的歐氏距離等于各特征值之差的平方和的平方根三.預備知識4.分類性能度量指標（1）真正（TruePositive，TP）：被模型預測為正的正樣本。（2）假正（FalsePositive，FP）：被模型預測為正的負樣本。（3）假負（FalseNegative，FN）：被模型預測為負的正樣本。（4）真負（TrueNegative，TN）：被模型預測為負的負樣本。（1）真正（TruePositive，TP）：被模型預測為正的正樣本。（2）假正（FalsePositive，FP）：被模型預測為正的負樣本。（3）假負（FalseNegative，FN）：被模型預測為負的正樣本。（4）真負（TrueNegative，TN）：被模型預測為負的負樣本。三.預備知識4.分類性能度量指標（1）精確率（2）正確率（3）召回率（4）F1值四.任務1——樣本數據預處理1.將圖像信息轉存為向量（1）導入相關的庫（2）定義轉換函數img2array將圖像數據轉換成一維向量四.任務1——樣本數據預處理1.將圖像信息轉存為向量（3）調用函數生成向量保存灰度圖像信息的向量內容四.任務1——樣本數據預處理2.批量生成樣本數據（1）生成所有樣本的特征值和標簽值四.任務1——樣本數據預處理2.批量生成樣本數據（2）樣本數據的歸一化處理歸一化數據生成訓練集和測試集四.任務2——構建及訓練KNN模型1.構建KNN模型上述代碼定義一個KNN模型knn，模型中參數n_neighbors=13（采用訓練樣本數量的平方根的一半）、p=2表示使用歐氏距離來計算樣本相似度大小，weights='distance'表示權重與距離成反比，即更近的近鄰有更高的權重。四.任務2——構建及訓練KNN模型2.訓練模型（1）用訓練集x_train、y_train來訓練模型（2）觀察模型訓練效果訓練效果不錯，在測試集上是否任然有很好的表現？四.任務3——評估模型效果1.

測試模型性能模型性能測試報告評價精度為63%狗的召回率62%貓的召回率64%什么原因導致模型不理想？四.任務3——評估模型效果2.通過交叉表了解模型的錯分情況(1)直觀分析：四.任務3——評估模型效果2.通過交叉表了解模型的錯分情況(2)交叉表分析：正確識別36個錯誤劃分3