人工智能实验报告四.docx

《人工智能实验报告四.docx》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、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：2016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：WINDOWS10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-S

2、VC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

3、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.doc2.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[-llower][-uupper][-yy_lowery_upper][-ssave_filename][-rrestore_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

4、的参数；直接在cmd窗口输入：svm-traintrainall.doctrainall.modeltrainall.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-nn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，TotalnSV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

5、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-predicttest.doctrainall.modeltraina

6、ll-test.predict结果：Accuracy=87.5%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。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–v参数设置为k（分别设置为2，3，5）选择训练样本trainall.docV=2V=3V=54.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

7、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-traintrain.doctrain.model输入命令：svm-predicttest.doctrain.modeltrain-test.predict结果为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。svm-train-c2train.doctrainc2.modelsvm-predicttest.doctrainc2.modeltrainc2test.psvm-train-c3train.doctra

8、inc3.modelsvm-predicttest.doctrainc3.mod