Блог

Я использую train_test_split для обучения и тестирования своих данных это интересная концепция разделения данных на обучение и тестирование, но что, если я захочу загрузить некоторые данные, которых не было в тестовых данных?

Моя проблема в том, что train_test_split обрабатывает данные случайным образом, я хотел бы посмотреть, к какой метке относится внешнее изображение.

В настоящее время я извлекаю 22 объекта из изображений и использую эти функции для обучения linear SVC распознаванию, теперь, согласно train_test_split, я получаю 94% в тестовом наборе, и это нормально, то, что я хочу сделать, это просто протестировать это на изображении, которого не было в наборе данных. train_test_split получает данные из ранее загруженного набора данных для обучения и тестирования, но я хотел бы загрузить изображение и протестировать их напрямую.

Воспроизводимый пример: (3 изображения с 10 элементами)

 import sklearn
from sklearn.model_selection import train_test_split
from sklearn import metrics

y_target = [1]*1   [2]*1   [3]*1 # number of images per person
data = np.asarray([[152., 236., 228., 168., 236., 224.,  70., 223., 175., 195.],
       [140., 233., 226., 161., 234., 220.,  67., 220., 159., 194.],
       [135., 233., 225., 157., 234., 221.,  65., 220., 159., 193.]])

svc_ = SVC(kernel='linear', C=0.00005)

A_train, A_test, b_train, b_test = train_test_split(
        data, y_target, test_size=0.25, random_state=0)

def train(clf, A_train, A_test, b_train, b_test):
    
    clf.fit(A_train, b_train)
    print ("Accuracy on training set:")
    print (clf.score(A_train, b_train))

train(svc_, A_train, A_test, b_train, b_test)
  

Например, как бы я протестировал функции следующего изображения?

 ([[126., 232., 225., 149., 231., 222.,  60., 218., 152., 191.]])
  

Итак, что я делаю, это выбираю конкретное изображение, немного редактирую его, затем я хотел бы посмотреть, как мой классификатор работает при тестировании этого изображения, которое было отредактировано, которое не было обучено и его не было в наборе данных, например, если бы я выбрал изображение из Интернета, как бы я его протестировал??

Если вы знаете, как получить интересующие вас функции из ваших изображений, просто загрузите изображение, соберите функции, затем прогнозируйте и протестируйте с правильными значениями. Например

 y_test = [[1], [2], [3]]
images = # fill in however you are getting your images into memory here
clf.score(images, y_test)

# or get the predictions by hand and do your own metric
predictions = clf.predict(images)
mse = np.mean(np.square(y_test - predictions))
  

Вы должны были уже обучить свой классификатор, прежде чем делать это.