Как увеличить показатель логистической регрессии на Sklearn PCA? - PullRequest
Новая
       57

Как увеличить показатель логистической регрессии на Sklearn PCA?

0 голосов
/ 03 июня 2019

Я хочу провести сравнение между Lenet и PCA в отношении распознавания изображений, поэтому я использовал Немецкий эталон сигналов о дорожном движении и модуль Sklearn PCA, но когда я тестировал его с помощью Logistic Regression, оценка не была выше, чем6%, независимо от того, что я пытался.

Я пытался изменить количество взаимодействий и количество препроцессов (используя нормализацию и эквалайзер), но он все равно не работал

Файлызагружается Pickle тремя архивами: 

train.p, with shape of (34799, 32, 32, 3)
test.p, with shape of (12630, 32, 32, 3)
valid.p, with shape of (4410, 32, 32, 3)

, каждый из которых имеет свои метки, как написано в y_train, y_test и y_valid.и это соответствующая часть кода: 

def gray_scale(image):
    """
    Convert images to gray scale.
        Parameters:
            image: An np.array compatible with plt.imshow.
    """
    return cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

def preprocess2(data):

    n_training = data.shape
    gray_images = np.zeros((n_training[0], n_training[1], n_training[2]))
    for i, img in enumerate(data):
        gray_images[i] = gray_scale(img)
    gray_images = gray_images[..., None]
    return gray_images

from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

pca = PCA(0.95)

X_train_preprocess = preprocess2(X_train)
#Removing one dimension (34799,32,32,1) to (34799,32,32)
X_train_preprocess = X_train_preprocess.reshape(34799,32,32)
nsamples, nx, ny = X_train_preprocess.shape
X_train_preprocess = X_train_preprocess.reshape((nsamples,nx*ny))

X_test_preprocess = preprocess2(X_test)
#Removing one dimension (34799,32,32,1) to (12630,32,32)
X_test_preprocess = X_test_preprocess.reshape(12630,32,32) 
n2samples, n2x, n2y = X_test_preprocess.shape
X_test_preprocess = X_test_preprocess.reshape((n2samples,n2x*n2y))

print(X_train_preprocess.shape)
pca.fit(X_train_preprocess)
print(pca.n_components_)
scaler = StandardScaler()
scaler.fit(X_train_preprocess)
X_t_train = scaler.transform(X_train_preprocess)
X_t_test = scaler.transform(X_test_preprocess)

X_t_train = pca.transform(X_t_train)
X_t_test = pca.transform(X_t_test)

from sklearn.linear_model import LogisticRegression
logisticRegr = LogisticRegression(solver = 'lbfgs', max_iter = 5000)
logisticRegr.fit(X_t_train, y_train)
print('score', logisticRegr.predict(X_t_test[0:10]))
print('score', logisticRegr.score(X_t_test, y_test))

Результаты были такими: 

(34799, 1024)
62
/usr/local/lib/python3.6/dist-packages/sklearn/linear_model/logistic.py:469: FutureWarning: Default multi_class will be changed to 'auto' in 0.22. Specify the multi_class option to silence this warning.
  "this warning.", FutureWarning)
score [ 1  2 10 10 13 10 25  1  1  4]
score 0.028820269200316707

Поэтому я хочу посмотреть, сможете ли вы, ребята, объяснить мне, что я делаю неправильнои что я могу сделать, чтобы сделать эту работу правильно

1 Ответ

0 голосов
/ 03 июня 2019

вы получили 2d данные в распознавании изображений, лучше использовать сеть cnn, чтобы представить соотношение в высоком измерении

ссылка по теме: Обучение CNN с изображениями в нейронной сети sklearn

...