随记——机器学习

前言

本来有个500块钱的单子，用机器学习做一个不知道什么鸟的识别，正好有数据集，跑个小项目，过一下机器学习图像识别的流程，用很短的时间记录下来.....

一、数据预处理

将数据集分为训练集和测试集，直接使用sklearn库就行，这是一个机器学习的库，我就知道这么多，能用就用上，怎么用，组织好prompt问gpt就好了，也足够了.....

使用train_test_split了解了一个参数，想了两个问题，记录一下吧！

random_state=42 是 train_test_split 函数中的一个参数，用于控制随机数生成器的种子。

作用：

可重复性：设置随机种子后，每次运行代码时，数据集的划分结果（训练集和测试集的样本）都是相同的。这在调试和实验时非常重要，可以确保你得到一致的结果。

随机性：当你不设置 random_state（或者将其设为 None）时，train_test_split 每次运行可能会产生不同的训练集和测试集。这可能导致模型的性能评估不一致。

为什么是42？

42 常被用作随机数生成的“宇宙的终极答案”，这个数字在编程和数学中有一种幽默的文化象征。实际上，你可以选择任何整数作为种子，使用相同的种子将得到相同的划分结果。因此，选择42只是一个约定，任何其他整数都可以达到相同的效果。

from sklearn.model_selection import train_test_split
import os
import numpy as np
import cv2

# 定义数据集的路径
dataset_path = './syh'  # 替换为你的小狗图片数据集的路径

# 获取数据集中的所有图片文件名
all_images = [f for f in os.listdir(dataset_path) if f.endswith('.jpg') or f.endswith('.png')]
all_image_paths = [os.path.join(dataset_path, img) for img in all_images]

# 使用train_test_split将数据集分为训练集和测试集
train_images, test_images = train_test_split(all_image_paths, test_size=0.1, random_state=42)
print(train_images)
print(test_images)

二、提取特征和标签

这个代码注意一下几点：

1、提取特征点有很多种方法，由于之前搞过视觉slam，知道slam系统的原理所以知道一些，这里用的是ORB，是因为情怀，我第一个slam系统就是ORB-slam，大家也可以试试其他SIFT、‌SURF等等.....

2、因为任务是识别是不是就ok了，我的label是随机0和1，但是图片应该都是正标签，我懒得找负标签了，大家可以多种类的话，标签是文件夹名称就好了（要改一下数据预处理的代码哦），可以改一下试试......

3、描述子我只取了前100个展平，是因为在对高维度list列表进行转换时，里面的子列表长度不同导致转换成numpy的失败，后续可以试试弄一个很长的全是0的去填充，效果可能会好，毕竟“特征”多了嘛.....

# 提取特征和标签
def extract_features(image_paths):
    features = []
    labels = []
    
    orb = cv2.ORB_create()  # 创建ORB特征检测器
    
    for img_path in image_paths:
        img = cv2.imread(img_path)  # 读取图像
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转为灰度图
        keypoints, descriptors = orb.detectAndCompute(gray, None)  # 提取关键点和描述符
        
        if descriptors is not None:  # 如果有描述符
            # 仅保留前N个特征，或对描述符进行处理
            features.append(descriptors[:100].flatten())  # 保留前100个描述符并展平
            random_labels = np.random.randint(0, 2)
            labels.append(random_labels)  # 假设标签为文件名的前缀

    return np.array(features), np.array(labels)


# 提取训练集和测试集的特征
X_train, y_train = extract_features(train_images)
print(X_train)
print(y_train)
X_test, y_test = extract_features(test_images)
print(X_test)
print(y_test)

三、定义模型、训练模型、推理模型

使用直接使用sklearn库，几行代码就ok了，刚开始学习的我建议，点进去看看源码（我没看过，有时间看看吧，不过估计过段时间就忘了，不会看的），根据自己掌握的原理，看看代码中模型是怎么定义的，用相同的数据集，可以看看这三个在图像识别上哪个效果好，有时候简单的任务可以直接用机器学习解决的最好用，就跟搞对象一样，合适才是最好的，哈哈哈！

from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 定义并训练SVM分类器
svm_classifier = SVC(kernel='linear')  # 使用线性核SVM
svm_classifier.fit(X_train, y_train)  # 训练模型
y_pred_svm = svm_classifier.predict(X_test)  # 对测试集进行预测
accuracy_svm = accuracy_score(y_test, y_pred_svm)  # 计算准确率
print(f"SVM测试集准确率: {accuracy_svm * 100:.2f}%")  # 输出准确率

# 定义并训练决策树分类器
dt_classifier = DecisionTreeClassifier()  # 创建决策树分类器
dt_classifier.fit(X_train, y_train)  # 训练模型
y_pred_dt = dt_classifier.predict(X_test)  # 对测试集进行预测
accuracy_dt = accuracy_score(y_test, y_pred_dt)  # 计算准确率
print(f"决策树测试集准确率: {accuracy_dt * 100:.2f}%")  # 输出准确率

# 定义并训练KNN分类器
knn_classifier = KNeighborsClassifier(n_neighbors=3)  # 使用KNN分类器，选择邻居数为3
knn_classifier.fit(X_train, y_train)  # 训练模型
y_pred_knn = knn_classifier.predict(X_test)  # 对测试集进行预测
accuracy_knn = accuracy_score(y_test, y_pred_knn)  # 计算准确率
print(f"KNN测试集准确率: {accuracy_knn * 100:.2f}%")  # 输出准确率