p66实验题

"""
CIFAR-10 图像分类简化版（使用 sklearn）
在安装 TensorFlow 之前可以先运行这个版本
"""

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
import seaborn as sns

class SimpleCIFAR10:
def init(self):
self.class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
'dog', 'frog', 'horse', 'ship', 'truck']
self.model = None

def load_and_preprocess_data(self):"""加载和预处理数据（使用 sklearn 的简化版本）"""print("正在加载数据...")# 由于 CIFAR-10 在 sklearn 中没有直接版本，我们使用 MNIST 作为示例# 在实际应用中，你需要安装 TensorFlow 来获取真正的 CIFAR-10 数据from sklearn.datasets import load_digits# 使用 digits 数据集作为示例digits = load_digits()X = digits.images.reshape((len(digits.images), -1))  # 展平图像y = digits.target# 只取前10类（如果有的话）if len(np.unique(y)) > 10:mask = y < 10X, y = X[mask], y[mask]# 分割数据集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)# 归一化X_train = X_train / 16.0  # 像素值范围 0-16X_test = X_test / 16.0print(f"训练集形状: {X_train.shape}")print(f"测试集形状: {X_test.shape}")print(f"类别数: {len(np.unique(y))}")return (X_train, y_train), (X_test, y_test)def build_and_train_model(self, X_train, y_train):"""构建和训练模型"""print("\n构建和训练模型...")# 使用随机森林作为示例self.model = RandomForestClassifier(n_estimators=100,max_depth=10,random_state=42)self.model.fit(X_train, y_train)print("模型训练完成!")return self.modeldef evaluate_model(self, X_test, y_test):"""评估模型"""print("\n评估模型...")y_pred = self.model.predict(X_test)accuracy = accuracy_score(y_test, y_pred)print(f"测试准确率: {accuracy:.4f} ({accuracy*100:.2f}%)")# 显示分类报告print("\n分类报告:")print(classification_report(y_test, y_pred))return accuracy, y_preddef visualize_results(self, X_test, y_test, y_pred, num_samples=12):"""可视化结果"""print("\n可视化结果...")# 重塑图像用于显示（如果是 8x8 的 digits 数据）if X_test.shape[1] == 64:  # 8x8 图像images = X_test.reshape(-1, 8, 8)else:print("无法可视化：不支持的图像形状")returnplt.figure(figsize=(15, 10))for i in range(min(num_samples, len(images))):plt.subplot(3, 4, i + 1)plt.imshow(images[i], cmap='gray')color = 'green' if y_pred[i] == y_test[i] else 'red'plt.title(f'预测: {y_pred[i]}\n真实: {y_test[i]}', color=color)plt.axis('off')plt.suptitle('分类结果 (绿色:正确, 红色:错误)', fontsize=16)plt.tight_layout()plt.show()# 绘制混淆矩阵cm = confusion_matrix(y_test, y_pred)plt.figure(figsize=(10, 8))sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')plt.title('混淆矩阵')plt.xlabel('预测标签')plt.ylabel('真实标签')plt.show()

def main():
"""主函数"""
print("简化版图像分类示例")
print("=" * 50)
print("注意: 这是简化版本，使用 digits 数据集作为示例")
print("要运行完整的 CIFAR-10 分类，请先安装 TensorFlow")
print("=" * 50)

classifier = SimpleCIFAR10()try:# 1. 加载数据(X_train, y_train), (X_test, y_test) = classifier.load_and_preprocess_data()# 2. 训练模型classifier.build_and_train_model(X_train, y_train)# 3. 评估模型accuracy, y_pred = classifier.evaluate_model(X_test, y_test)# 4. 可视化结果classifier.visualize_results(X_test, y_test, y_pred)print(f"\n最终准确率: {accuracy:.4f} ({accuracy*100:.2f}%)")except Exception as e:print(f"运行过程中出现错误: {e}")

if name == "main":
main()