三合一网站开发架构,页面设计的步骤,pc网站建设是什么意思,昆明航空公司官方网站数据集要求#xff1a; 训练集 和 验证集 #xff08;要求分好#xff09;
图片放置规则 #xff1a; 一个总文件夹 放类别名称的子文件夹 其中子文件夹 为存放同一类别图片
举个例子 分类动物 则 总文件夹名称为动物 子文件夹为 猫 狗 猪猪 。。。
其中猫的文件夹里面…
数据集要求 训练集 和 验证集 要求分好
图片放置规则 一个总文件夹 放类别名称的子文件夹 其中子文件夹 为存放同一类别图片
举个例子 分类动物 则 总文件夹名称为动物 子文件夹为 猫 狗 猪猪 。。。
其中猫的文件夹里面都是猫
给出代码
import os
import cv2
import numpy as np
import logging
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, confusion_matrix# 设置日志
logging.basicConfig(filenametraining_log.txt, levellogging.INFO, format%(asctime)s - %(message)s)# 读取图像数据和标签
def load_images_from_folder(folder):images []labels []label 0for subdir in os.listdir(folder):subpath os.path.join(folder, subdir)if os.path.isdir(subpath):for filename in os.listdir(subpath):if filename.endswith(.jpg):img_path os.path.join(subpath, filename)img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)img_normalized cv2.resize(img, (256, 256)) # 归一化图像大小为256x256images.append(img_normalized.flatten())labels.append(label)label 1return images, labels# 主函数
def main():# train_folder YOUR_TRAIN_DATASET_FOLDER_PATH # 替换为你的训练集文件夹路径# test_folder YOUR_TEST_DATASET_FOLDER_PATH # 替换为你的测试集文件夹路径train_folder /Users/chen_dongdong/Desktop/宝钢项目/little_work/train # 替换为你的训练集文件夹路径test_folder /Users/chen_dongdong/Desktop/宝钢项目/little_work/val # 替换为你的测试集文件夹路径logging.info(Loading training data from %s, train_folder)X_train, y_train load_images_from_folder(train_folder)logging.info(Loaded %d training samples, len(X_train))logging.info(Loading test data from %s, test_folder)X_test, y_test load_images_from_folder(test_folder)logging.info(Loaded %d test samples, len(X_test))logging.info(Training DecisionTreeClassifier...)clf DecisionTreeClassifier()clf.fit(X_train, y_train)logging.info(Training completed.)y_pred clf.predict(X_test)accuracy accuracy_score(y_test, y_pred)logging.info(Test Accuracy: %f, accuracy)cm confusion_matrix(y_test, y_pred)cm_normalized cm.astype(float) / cm.sum(axis1)[:, np.newaxis]logging.info(Normalized Confusion Matrix:)for row in cm_normalized:logging.info( - .join(map(lambda x: {:.2f}.format(x), row)))# 打印特征重要性feature_importances clf.feature_importances_top_features np.argsort(feature_importances)[-10:] # 打印最重要的10个特征logging.info(Top 10 important features:)for idx in top_features:logging.info(Feature %d: %f, idx, feature_importances[idx])if __name__ __main__:main()使用DecisionTreeClassifier的feature_importances_属性。这个属性会返回一个数组其中每个值表示相应特征的重要性。值越大特征越重要。
我们使用的是图像的灰度值作为特征所以特征的数量会非常大例如对于256x256的图像有65536个特征。为了简化输出我们可以只打印出最重要的特征。 这是我们生成的日志文件
使用sklearn的决策树分类器和opencv来处理图像数据。这个脚本将
从指定的文件夹中读取所有子文件夹中的图像。将图像转换为灰度。将灰度图像转换为一维数组作为特征。使用决策树分类器进行训练。输出模型的准确性。
请确保已经安装了opencv和sklearn库。
pip install opencv-python-headless pip install scikit-learn 可加镜像
pip install 镜像-CSDN博客 在训练过程中记录关键的信息例如每次迭代的训练损失、验证损失、准确性等。但由于我们在此使用的是DecisionTreeClassifier它不像深度学习模型那样进行多次迭代所以我们只能记录模型的最终准确性和混淆矩阵。
