综合实验---基于卷积神经网络的目标分类案例

文章目录

  • 配置环境
  • 猫狗数据分类建模
  • 猫狗分类的实例基准模型
  • 猫狗分类的实例基准模型之数据增强
  • 问题回答

配置环境

①首先打开 cmd，创建虚拟环境。

conda create -n tf1 python=3.6

如果报错：‘conda’ 不是内部或外部命令,也不是可运行的程序 或批处理文件。请在环境变量里添加Anconda3路径，如果没有Anconda3直接去官网下载就行了
具体步骤：我的电脑—右键属性—高级系统设置—环境变量—系统变量—Path—双击进入—新建—浏览—找到Anaconda和Scripts的路径添加，然后点击确定就好了。
在这里插入图片描述
②激活环境

activate
conda activate tf1

③安装 tensorflow、keras 库。

pip install tensorflow==1.14.0 -i “https://pypi.doubanio.com/simple/”
pip install keras==2.2.5 -i “https://pypi.doubanio.com/simple/”

④安装 nb_conda_kernels 包。

conda install nb_conda_kernels

⑤打开 Jupyter Notebook（tf1）按win查看
在这里插入图片描述
⑥点击【New】→【Python[tf1环境下的]】创建 python 文件。
在这里插入图片描述

猫狗数据分类建模

①下载猫狗数据
链接：https://pan.baidu.com/s/1nIDrl3ZFZCMpHzD3OmN7Mg
提取码：7vjj
下载完毕后，将其解压在无中文的目录下

②对猫狗图像进行分类

import os, shutil 
# 原始目录所在的路径
original_dataset_dir = 'F:\\maogou\\kaggle_Dog&Cat\\train\\'

# 数据集分类后的目录
base_dir = 'F:\\maogou\\kaggle_Dog&Cat\\train1\\'
os.mkdir(base_dir)

# # 训练、验证、测试数据集的目录
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir, 'test')
os.mkdir(test_dir)

# 猫训练图片所在目录
train_cats_dir = os.path.join(train_dir, 'cats')
os.mkdir(train_cats_dir)

# 狗训练图片所在目录
train_dogs_dir = os.path.join(train_dir, 'dogs')
os.mkdir(train_dogs_dir)

# 猫验证图片所在目录
validation_cats_dir = os.path.join(validation_dir, 'cats')
os.mkdir(validation_cats_dir)

# 狗验证数据集所在目录
validation_dogs_dir = os.path.join(validation_dir, 'dogs')
os.mkdir(validation_dogs_dir)

# 猫测试数据集所在目录
test_cats_dir = os.path.join(test_dir, 'cats')
os.mkdir(test_cats_dir)

# 狗测试数据集所在目录
test_dogs_dir = os.path.join(test_dir, 'dogs')
os.mkdir(test_dogs_dir)

# 将前1000张猫图像复制到train_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_cats_dir, fname)
    shutil.copyfile(src, dst)

# 将下500张猫图像复制到validation_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_cats_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张猫图像复制到test_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_cats_dir, fname)
    shutil.copyfile(src, dst)
    
# 将前1000张狗图像复制到train_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张狗图像复制到validation_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张狗图像复制到test_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_dogs_dir, fname)
    shutil.copyfile(src, dst)

处理后新加了一个train文件
在这里插入图片描述
在这里插入图片描述
③查看分类后，对应目录下的图片数量：

#输出数据集对应目录下图片数量
print('total training cat images:', len(os.listdir(train_cats_dir)))
print('total training dog images:', len(os.listdir(train_dogs_dir)))
print('total validation cat images:', len(os.listdir(validation_cats_dir)))
print('total validation dog images:', len(os.listdir(validation_dogs_dir)))
print('total test cat images:', len(os.listdir(test_cats_dir)))
print('total test dog images:', len(os.listdir(test_dogs_dir)))

在这里插入图片描述
（猫狗训练图片各 1000 张，验证图片各 500 张，测试图片各 500 张。）

猫狗分类的实例基准模型

①构建网络模型：
先更新一下numpy

pip install numpy==1.16.4 -i "https://pypi.doubanio.com/simple/"

构建

#网络模型构建
from keras import layers
from keras import models
#keras的序贯模型
model = models.Sequential()
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(32, (3, 3), activation='relu',
                        input_shape=(150, 150, 3)))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核2*2，激活函数relu
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#flatten层，用于将多维的输入一维化，用于卷积层和全连接层的过渡
model.add(layers.Flatten())
#全连接，激活函数relu
model.add(layers.Dense(512, activation='relu'))
#全连接，激活函数sigmoid
model.add(layers.Dense(1, activation='sigmoid'))

查看模型各层的参数状况

#输出模型各层的参数状况
model.summary()

在这里插入图片描述
②配置优化器

  • loss：计算损失，这里用的是交叉熵损失
    metrics：列表，包含评估模型在训练和测试时的性能的指标
from keras import optimizers

model.compile(loss='binary_crossentropy',
              optimizer=optimizers.RMSprop(lr=1e-4),
              metrics=['acc'])

③图片格式转化

  • 所有图片（2000张）重设尺寸大小为 150x150 大小，并使用 ImageDataGenerator 工具将本地图片 .jpg 格式转化成 RGB 像素网格，再转化成浮点张量上传到网络上。
from keras.preprocessing.image import ImageDataGenerator

# 所有图像将按1/255重新缩放
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        # 这是目标目录
        train_dir,
        # 所有图像将调整为150x150
        target_size=(150, 150),
        batch_size=20,
        # 因为我们使用二元交叉熵损失，我们需要二元标签
        class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary')

在这里插入图片描述

  • 查看上述图像预处理过程中生成器的输出
    先安装 pillow 库
pip install pillow -i “https://pypi.doubanio.com/simple/”

查看

#查看上面对于图片预处理的处理结果
for data_batch, labels_batch in train_generator:
    print('data batch shape:', data_batch.shape)
    print('labels batch shape:', labels_batch.shape)
    break

④开始训练模型

#模型训练过程
history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=30,
      validation_data=validation_generator,
      validation_steps=50)

在这里插入图片描述
⑤保存模型，结果可视化
保存模型

#保存训练得到的的模型
model.save('F:\\maogou\\kaggle_Dog&Cat\\cats_and_dogs_small_1.h5')

在这里插入图片描述

可视化

#对于模型进行评估，查看预测的准确性
import matplotlib.pyplot as plt

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs = range(len(acc))

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()

plt.figure()

plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()

plt.show()

在这里插入图片描述

⑥结果分析

  • 很明显模型上来就过拟合了，主要原因是数据不够，或者说相对于数据量，模型过复杂（训练损失在第30个epoch就降为0了），训练精度随着时间线性增长，直到接近100%，而我们的验证精度停留在70-72%。我们的验证损失在5个epoch后达到最小，然后停止，而训练损失继续线性下降，直到接近0。
  • 过拟合的定义： 给定一个假设空间 H HH，一个假设 h hh 属于 H HH，如果存在其他的假设 h ’ h’h’ 属于 H HH，使得在训练样例上 h hh 的错误率比 h ’ h’h’ 小，但在整个实例分布上 h ’ h’h’ 比 h hh 的错误率小，那么就说假设 h hh 过度拟合训练数据。
    举个简单的例子，( a )( b )过拟合，( c )( d )不过拟合，如下图所示：
    在这里插入图片描述
  • 过拟合常见解决方法：
    （1）在神经网络模型中，可使用权值衰减的方法，即每次迭代过程中以某个小因子降低每个权值。
    （2）选取合适的停止训练标准，使对机器的训练在合适的程度；
    （3）保留验证数据集，对训练成果进行验证；
    （4）获取额外数据进行交叉验证；
    （5）正则化，即在进行目标函数或代价函数优化时，在目标函数或代价函数后面加上一个正则项，一般有L1正则与L2正则等。
  • 不过接下来将使用一种新的方法，专门针对计算机视觉，在深度学习模型处理图像时几乎普遍使用——数据增强。

猫狗分类的实例基准模型之数据增强

①数据增强定义

  • 数据集增强主要是为了减少网络的过拟合现象，通过对训练图片进行变换可以得到泛化能力更强的网络，更好的适应应用场景。
  • 常用的数据增强方法有：
    在这里插入图片描述

②重新构建模型：

  • 上面建完的模型就保留着，我们重新建一个 .ipynb 文件，重新开始建模。

  • 首先猫狗图像预处理，只不过这里将分类好的数据集放在 train2 文件夹中，其它的都一样。
    在这里插入图片描述
    在这里插入图片描述

  • 然后配置网络模型、构建优化器，然后进行数据增强，代码如下：

from keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
      rotation_range=40,
      width_shift_range=0.2,
      height_shift_range=0.2,
      shear_range=0.2,
      zoom_range=0.2,
      horizontal_flip=True,
      fill_mode='nearest')
  • 参数解释：
    在这里插入图片描述
  • 查看数据增强后的效果：
import matplotlib.pyplot as plt
# This is module with image preprocessing utilities
from keras.preprocessing import image
fnames = [os.path.join(train_cats_dir, fname) for fname in os.listdir(train_cats_dir)]
# We pick one image to "augment"
img_path = fnames[3]
# Read the image and resize it
img = image.load_img(img_path, target_size=(150, 150))
# Convert it to a Numpy array with shape (150, 150, 3)
x = image.img_to_array(img)
# Reshape it to (1, 150, 150, 3)
x = x.reshape((1,) + x.shape)
# The .flow() command below generates batches of randomly transformed images.
# It will loop indefinitely, so we need to `break` the loop at some point!
i = 0
for batch in datagen.flow(x, batch_size=1):
    plt.figure(i)
    imgplot = plt.imshow(image.array_to_img(batch[0]))
    i += 1
    if i % 4 == 0:
        break
plt.show()
  • 结果如下

在这里插入图片描述

  • 图片格式转化
train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,)
# Note that the validation data should not be augmented!
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
        # This is the target directory
        train_dir,
        # All images will be resized to 150x150
        target_size=(150, 150),
        batch_size=32,
        # Since we use binary_crossentropy loss, we need binary labels
        class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')
  • 开始训练并保存结果
history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=100,
      validation_data=validation_generator,
      validation_steps=50)
model.save('E:\\Cat_And_Dog\\kaggle\\cats_and_dogs_small_2.h5')

  • 训练结果如下
    在这里插入图片描述

  • 结果可视化

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(len(acc))
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()

在这里插入图片描述
在这里插入图片描述

③dropout层定义及添加实现

  • 在数据增强的基础上，再添加一个 dropout 层。
#退出层
model.add(layers.Dropout(0.5))
  • 再次训练模型，查看训练结果如下

在这里插入图片描述
在这里插入图片描述

问题回答

①什么是overfit（过拟合）？
过拟合（overfitting）是指机器学习算法在训练数据上表现出很高的准确性，但在未见过的测试数据上表现较差的现象。简而言之，过拟合就是模型过度适应了训练数据，导致在面对新数据时泛化能力较差。当一个机器学习模型过拟合时，它会记住训练数据中的细节和噪声，而不是学习到普遍适用的模式。这种现象可能发生在模型的复杂性过高、训练数据数量不足或数据中存在噪声等情况下。
②什么是数据增强？
数据增强（data augmentation）是一种在机器学习和深度学习中常用的技术，用于通过对原始训练数据进行变换和扩充来增加数据样本的数量。数据增强旨在改变训练数据的外观，但保持其标签和语义不变，从而提供更多样化、更丰富的数据样本，以改善模型的泛化能力。
数据增强可以通过多种方式进行操作，包括但不限于以下方法：
镜像翻转：将图像水平或垂直翻转，产生左右或上下镜像的图像。
旋转：对图像进行旋转操作，如随机旋转一定角度。
平移：在图像上进行平移操作，将图像在水平或垂直方向上移动一定距离。
缩放：对图像进行缩放操作，放大或缩小图像的尺寸。
裁剪：从原始图像中裁剪出感兴趣的区域，改变图像的大小和内容。
增加噪声：向图像中添加噪声，如高斯噪声、椒盐噪声等。
亮度和对比度调整：调整图像的亮度和对比度，改变图像的整体明暗程度。
颜色变换：对图像进行颜色空间的变换，如灰度化、色彩偏移等。
③如果单独只做数据增强，精确率提高了多少？
由于数据量的增加，对比基准模型，可以很明显的观察到曲线没有过度拟合了，训练曲线紧密地跟踪验证曲线，这也就是数据增强带来的影响，但是可以发现它的波动幅度还是比较大的。
④再添加的dropout层，是什么实际效果？
相比于只使用数据增强的效果来看，额外添加一层 dropout 层，仔细对比，可以发现训练曲线更加紧密地跟踪验证曲线，波动的幅度也降低了些，训练效果更棒了。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/35390.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

C语言学习（三十五）---动态内存练习题与柔性数组

C语言学习（三十五）---动态内存练习题与柔性数组

经过前面的内容，我们已经对动态内存的知识已经有了相当多了了解，今天我们再做几道有关动态内存的练习题，然后再介绍一下柔性数组，好了，话不多说，开整！！！ 动态内存练习题…
阅读更多...
【真题解析】系统集成项目管理工程师 2021 年上半年真题卷（案例分析）

【真题解析】系统集成项目管理工程师 2021 年上半年真题卷（案例分析）

本文为系统集成项目管理工程师考试(软考) 2021 年上半年真题（全国卷），包含答案与详细解析。考试共分为两科，成绩均 ≥45 即可通过考试： 综合知识（选择题 75 道，75分）案例分析&#x…
阅读更多...
Pycharm使用Anoconda配置虚拟环境

Pycharm使用Anoconda配置虚拟环境

目录 1.Anoconda的介绍 2.Anaconda的作用 3.Anaconda的安装 4.Anaconda的配置 4.1添加镜像源 4.2创建、使用并切换虚拟环境 5.pycharm的集成 1.Anoconda的介绍 Anaconda是一个可用于科学计算的 Python 发行版，可以便捷获取和管理包，同时对环境进行…
阅读更多...
Docker 常用指令集合,更换镜像(Ubantu)

Docker 常用指令集合,更换镜像(Ubantu)

1.更换镜像 先进入root用户 cat /etc/docker/daemon.json 查看有没有镜像创建目录,创建并编辑damon,json文件 mkdir -p /etc/docker vim /etc/docker/daemon.json# 填写内容 {"registry-mirrors": ["https://h5rurp1p.mirror.aliyuncs.com"] } 重新启…
阅读更多...
postgresql（一）：使用psql导入数据库

postgresql（一）：使用psql导入数据库

使用psql导入数据库 1、概述2、具体问题3、总结 1、概述 大家好，我是欧阳方超。 听说postgresql越来越流行了？psql是一个功能强大的命令行工具，用于管理和操作PostgreSQL数据库。它提供了一个交互式环境，允许用户执行SQL查询、创…
阅读更多...
PyTorch示例——ResNet34模型和Fruits图像数据

PyTorch示例——ResNet34模型和Fruits图像数据

PyTorch示例——ResNet34模型和Fruits图像数据 前言导包数据探索查看数据集构建构建模型 ResNet34模型训练绘制训练曲线 前言 ResNet34模型，做图像分类数据使用水果图片数据集，下载见Kaggle Fruits Dataset (Images)Kaggle的Notebook示例见 PyTorch——…
阅读更多...
部署 CNI网络组件

部署 CNI网络组件

部署 flannel K8S 中 Pod 网络通信： ●Pod 内容器与容器之间的通信 在同一个 Pod 内的容器（Pod 内的容器是不会跨宿主机的）共享同一个网络命令空间， 相当于它们在同一台机器上一样，可以用 localhost 地址访问彼此的端…
阅读更多...
requests---jsonpath在接口自动化中的应用

requests---jsonpath在接口自动化中的应用

目录 前言 jsonpath 通过下标提取 通过jsonpath提取 jsonpath的其他用法 通过$获取属性值内容 通过【*】获取对应值 通过切片获取对应值 总结 前言 我们在做接口测试时，大多数返回的都是json属性，我们需要通过接口返回的json提取出来对应的值&am…
阅读更多...
浏览器种输入一个url到显示页面全过程

浏览器种输入一个url到显示页面全过程

原文合集地址如下，有需要的朋友可以关注 本文地址 合集地址 所谓的‘三颗树’ 在浏览器中，当解析和加载网页时，会形成三个重要的树结构：DOM树、CSSOM树和渲染树（Render Tree）。这些树结构在网页的渲染和…
阅读更多...
基于SQLI的SQL字符型报错注入

基于SQLI的SQL字符型报错注入

基于SQLI的SQL字符型报错注入 一. 实验目的 理解数字型报错SQL注入漏洞点的定位方法，掌握利用手工方式完成一次完整SQL注入的过程，熟悉常见SQL注入命令的操作。 二. 实验环境 渗透主机：KALI平台 用户名: college 密码: 360College 目标网…
阅读更多...
web安全php基础_php数据类型

web安全php基础_php数据类型

PHP 数据类型 PHP 支持以下几种数据类型: String（字符串）Integer（整型）Float（浮点型）Boolean（布尔型）Array（数组）Object（对象）NULL&…
阅读更多...
算法----Nim 游戏

算法----Nim 游戏

题目 你和你的朋友，两个人一起玩 Nim 游戏： 桌子上有一堆石头。 你们轮流进行自己的回合， 你作为先手 。 每一回合，轮到的人拿掉 1 - 3 块石头。 拿掉最后一块石头的人就是获胜者。 假设你们每一步都是最优解。请编写一个函数&a…
阅读更多...
Kubernetes 启动Pod的方法-Pod的调度算法-Pod间的通信-k8s的控制器-Pod资源控制-发布Service服务

Kubernetes 启动Pod的方法-Pod的调度算法-Pod间的通信-k8s的控制器-Pod资源控制-发布Service服务

目录 Pod 参考文档：Pod | Kubernetes Pod配置文件：simple-pod.yaml 对master进行如下操作 Pod的状态有： 参考文档：(70条消息) Pod生命周期中的状态解释_pod状态_闹玩儿扣眼珠子的博客-CSDN博客 进入Pod内的nginx容器&#…
阅读更多...
Linux快速搭建Java环境

Linux快速搭建Java环境

1. 安装JDK运行与调试 搭建Java环境 1. 安装JDK 打开命令行执行 sudo apt install default-jdk 有确定的选项直接y就行 安装拓展: 1 . 有时候vscode会自动弹出消息叫你安装拓展,直接点击全部安装就行了 2 . 未弹出或安装失败解决: 打开拓展搜索,把下面的,全部安装就行 这样就可…
阅读更多...
Nginx(6)nginx的缓存集成

Nginx(6)nginx的缓存集成

缓存集成 Nginx缓存集成缓存的概念Nginx的web缓存服务 缓存设置的相关指令Nginx缓存设置案例 Nginx缓存的清除Nginx设置资源不缓存 Nginx缓存集成 缓存的概念 缓存就是数据交换的缓冲区(称作Cache)，当用户要获取数据的时候，会先从缓存中去查询获取数据…
阅读更多...
TikTok将在10月份之前免除佣金并提供补贴！

TikTok将在10月份之前免除佣金并提供补贴！

TikTok 因其便捷的结账方式越来越吸引美容品牌，Elf Beauty Laura Mercier、BareMinerals KimChi Chic Beauty 和 Skin Gym 等美容品牌已经接受了社交网络的结账功能。在这种情况下，该工具允许消费者将多个品牌的产品添加到应用内购物车中。 在巴西&…
阅读更多...
动态路由，微信小程序绑定

动态路由，微信小程序绑定

■登录成功之后添加动态路由 ●登录的时候会获取到它的菜单配置■动态路由 | Vue Router <view wx:for"{{list}}">{{index}}--- {{item.name}} </view><view wx:for"{{list}}" wx:for-item "ttt" wx:for-index"num"&…
阅读更多...
(02)Cartographer源码无死角解析-(79) ROS服务→子图压缩与服务发送

(02)Cartographer源码无死角解析-(79) ROS服务→子图压缩与服务发送

讲解关于slam一系列文章汇总链接:史上最全slam从零开始&#xff0c;针对于本栏目讲解(02)Cartographer源码无死角解析-链接如下: (02)Cartographer源码无死角解析- (00)目录_最新无死角讲解&#xff1a;https://blog.csdn.net/weixin_43013761/article/details/127350885 文…
阅读更多...
机器学习——掌握决策树ID3算法的原理，通过增益熵实现手工推导的过程。

机器学习——掌握决策树ID3算法的原理，通过增益熵实现手工推导的过程。

文章目录 决策树介绍优缺点ID3算法原理举例 决策树的构建1、特征选择&#xff08;1&#xff09;香农熵&#xff08;2&#xff09;信息增益 2、决策树的生成3、决策树的修剪 总结&#xff1a;参考文献 决策树 介绍 决策树(decision tree)是一种基本的分类与回归方法。ID3是其中…
阅读更多...
Linux学习之分区和挂载磁盘配额

Linux学习之分区和挂载磁盘配额

先分区然后格式化。 fdisk /dev/sdb开始分区。 输入p&#xff0c;然后按下Enter&#xff0c;可以查看当前设备的分区情况。 输入d&#xff0c;然后按下Enter&#xff0c;就可以删除上边的分区&#xff0c;要是有多个分区&#xff0c;会让你选择删除哪个分区。 输入n&…
阅读更多...
最新文章

Copyright @ 2022~2023