人工智能实验报告四

人工智能实验报告四

课程实验报告

课程名称：人工智能

实验项目名称：实验四：分类算法实验

专业班级：

姓名：学号：

实验时间：2021年6月18日

实验四：分类算法实验

一、实验目的

1.了解有关支持向量机的基本原理

2.能够使用支持向量机的代码解决分类与回归问题

3. 了解图像分类的基本原理

二、实验的硬件、软件平台

硬件：计算机

软件：操作系统：***** 10应用软件：C+ + ,Java或者Matlab

三、实验内容

支持向量机算法训练分类器：

1.训练数据集：见文档“分类数据集.doc”，前150个数据作为训练数据，其他数据作为测试数据，数据中“ + 1”“-1”分别表示正负样本。

2.使用代码中的C-SVC算法和默认参数来训练“分类数据集doc”中所有的数据（包括训练数据和测试数据），统计分类查准率。

3.在2的基础上使用k-折交叉验证思想来训练分类器并统计分类查准率。

4.使用2中的设置在训练数据的基础上学习分类器，将得到的分类器在测试数据上进行分类预测，统计查准率。

5.在4上尝试不同的C值（"-c”参数）来调节分类器的性能并绘制查准率曲线。

6.尝试不同的kernel函数（"-t”参数）来调节分类器的性能并绘制

查准率曲线，对每种kernel函数尝试调节其参数值并评估查准率。四. 实验操作

采用提供的windows版本的libsvm完成实验。

1.文档“分类数据集.doc”改名为trainall.doc，前150组数据保存为train.doc 后120 组保存为test.doc

2.

使用代码中的C-SVC算法和默认参数来训练“分类数据集.doc” 中所有的数据（包括训练数据和测试数据），统计分类查准率。

用法：svm-scale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename （缺省值：lower =- 1, upper = 1，没有对y进行缩放）按实验要求这个函数直接使用缺省值就行了。svm-train

按要求使用默认的参数；

直接在cmd窗口输入：svm-train trainall.doc trainall.model trainall.doc包含“分类数据集.doc”的270组数据即可建立模型，模型文件为：trainall.model. cmd窗口输出：

其中，#iter为迭代次数，nu与前面的操作参数-n n相同，obj 为SVM文件转换为的二次规划求解得到的最小值，rho为判决函数的常数项b，nSV为支持向量个数，nBSV为边界上的支持向量个数，Total nSV为支持向量总个数。

svm-predict

是根据训练获得的模型，对数据集合进行预测。

options （操作参数）：

-b probability_estimates:是否需要进行概率估计预测，可选值为0或者1，默认值为0。

model_file是由svm-train产生的模型文件；test_file是要进行预测的数据文件；output_file是svm-predict的输出文件，表示预测的结果值。Svm-predict没有其它的选项。

使用“分类数据集.doc"的270组数据（trainall.doc）得到的模型trainall.model训练包含120组数据的测试数据集”test.doc”

输入命令：svm-predict test.doc trainall.model trainall- test.predict 结果：

Accuracy=87.5%

2.在2的基础上使用k-折交叉验证思想来训练分类器并统计分类查准率。当svm-train使用-v参数时，此时svm-train返回的不再是一个结构体model，而是交叉验证的精度，对于分类问题，返回的是交叉检验下的平均分类准确率；回归问题，返回的是交叉检验下的平均均方根误差（MSE）。将svm-train Cv参数设置为k （分别设置为2，3，5）选择训练样本trainall.doc V=2

V=3

V=5

3.使用2中的设置在训练数据的基础上学习分类器，将得到的分类器在测试数据上进行分类预测，统计查准率

选择“分类数据集“的前150组数据（train.doc）作为训练集产生模型train.model输入命令：

svm-train train.doc train.model