Ich codiere ein Klassifizierungsmodell mit OVR für den MNIST-Datensatz und fordere dann Benutzer auf, Bilder einzugeben, deren Klasse das Modell dann vorhersagt. Die Modellgenauigkeit selbst (auf Basis von Trainings- und Testdaten) liegt bei etwa 90 %, es klassifiziert jedoch jedes hochgeladene Bild in eine 7 (sogar vollständig weiße/vollständig schwarze Bilder). Früher wurden sie alle als 5 klassifiziert, aber die Werte wurden normalisiert und jetzt kommen sie alle auf 7. Ich habe sichergestellt, dass meine Eingaben die gleiche Form wie die MNIST-Datensatzbilder haben, und habe versucht, die Aufteilung der Trainings-/Testdaten zu ändern, um auch eine Über-/Unteranpassung zu verhindern. Der Code selbst ist relativ einfach, er teilt den Datensatz in Training/Test auf, normalisiert ihn und passt ihn an das Modell an. Anschließend nimmt es ein Bild auf, wandelt es in eine Pixelanordnung um und trifft eine Vorhersage. Es ist ein unkomplizierter Code, und ich verstehe das
Problem wirklich nicht.
Ich habe Folgendes überprüft:
- Die Größe der Eingabebilder wird auf 28×28 geändert
- Sie werden in Graustufen konvertiert
- Die an predict() übergebene Eingabeform ist (1, 784)
Code: Select all
from sklearn.datasets import fetch_openml
mnist = fetch_openml('mnist_784', as_frame=False)
X, y = mnist.data, mnist.target
X_train, X_test, y_train, y_test = X[:60000], X[60000:], y[:60000], y[60000:]
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
ovr_clf = SVC(random_state=42)
ovr_clf.fit(X_train, y_train)
from google.colab import files
uploaded = files.upload()
from PIL import Image
import numpy as np
filename = next(iter(uploaded))
img = Image.open(filename).convert("L")
img_array = np.array(img)
img_array = img_array.reshape(1, 784)
print(img_array)
ovr_clf.predict(img_array)
Mobile version