このライブラリは既にカプセル化されており、対応する関数を呼び出すだけでよいため、sklearnライブラリを使用してSVM分類器を構築するのは非常に簡単です。
＃-*-コーディング：utf-8-*-
"" "
Created on Fri Nov 23 18:44:37 2018
@author：13260
" ""
import os
import numpy as np
import matplotlib.pyplot as plt
from itertools import cycle
from前処理sklearnインポートSVM、メトリクス、
sklearn.metricsからroc_curve、AUC、classification_reportインポート
sklearn.model_selectionインポートtrain_test_splitから
インポートLabelBinarizerをsklearn.preprocessingから
sklearn.multiclassインポートからOneVsRestClassifier
sklearn.externalsからはJOBLIBをインポート
INTERP scipyのダウンロードインポートから
＃加载图像特征及标签
''」
デフread_features（FILEDIR）：
file_listの= os.listdir（FILEDIR）
X = []
tmp_y = os.listdir（ "F：/ shiyan / TensorFlow / retrain / data / train"）
＃print（len（y））
y = []
for file in file_list：
tmp_file = filedir + "/" +ファイル
tmp = np.loadtxt（tmp_file、dtype = str）＃np
形式変換
機能= tmp.astype（np.float）
X.append（機能）
old_filename = file [：-3] .split（ "_"）
filename = "_"。join（old_filename [：-1]）
＃tmp_filename = filter（str.isalpha、file [：-3]）
＃print（filename）
y.append（tmp_y.index（filename））
＃機能データを保存txtファイルのフォーマットはstrなので、操作
tmp = "F：/python/airplane_001.txt"を実行するときにフォーマット変換を実行する必要があります
tmp_data = np.loadtxt（tmp、dtype = str）
res = tmp_data.astype（np.float）
X.append（res）
'' '
＃加载特征和标签文件
def load_features_and_labels（features_path、labels_path）：
features = np.load（features_path）
labels = np.load（labels_path ）
print（ "[INFO] Feature and label file
has been loaded！"）
return features、labels
def train_and_test_model（feature、label）：
＃X_scaled = preprocessing.scale（X）＃print
（y）
＃y = label_binarize（y、 classes = list（range（45）））
label_list = os.listdir（ "F：/ shiyan / TensorFlow / retrain / data / train"）
＃print（label.shape）＃print
（label）
label = LabelBinarizer（）。fit_transform （ラベル）
＃print（ラベル）
（label [：45]）
＃print（label.shape [1]）
＃print
＃print（y [：45]）
＃モデルをトレーニングして予測を行うrandom_state = np.random.RandomState（0）
n_samples、n_feature = feature.shape
＃データをランダム化してトレーニングセットを分割するそして、テストセット
X_train、X_test、y_train、y_test = train_test_split（feature、label、test_size = .2、random_state = 0）
＃トレーニングモデル
モデル= OneVsRestClassifier（svm.SVC（kernel = 'linear'、確率= True、random_state = random_state ））
print（ "[INFO]新しいモデルを正常に初期化します！"）
print（ "[INFO]モデルのトレーニング......"）
clt = model.fit（X_train、y_train）
print（ "[INFO] Model training completed！" ）
＃トレーニング済みモデルを保存し、次回
joblib.dump（clt、 "F：/ python / model / conv_19_80％。pkl "）
print（ "[INFO]モデルが保存されました！"）mean（acc_for_each_class）
print（ "平均精度：％f"％（avg_acc））
'' '
＃保存したモデルを読み込む
clt = joblib.load（ "F：/python/model/SVM.pkl"）
print（ "モデルがロードされました！"）
＃y_train_pred = clt.predict（X_train）
'' '
y_test_pred = clt.predict（X_test）
ov_acc = metrics.accuracy_score（y_test_pred、y_test）
print（ "全体的な精度：％f"％（ov_acc））
print（ "========================= =================== "）
acc_for_each_class = metrics.precision_score（y_test、y_test_pred、average = None）
print（" acc_for_each_class：\ n "、acc_for_each_class）
print（" = ==========================================）
avg_acc = np.mean（ acc_for_each_class）s分類全体の精度！"）
if __name__ ==" __main__ "：
features_path = "F：/python/features/DenseNet/densenet_fv_flatten.npy"
labels_path = "F：/python/features/VGG19/VGG19_labels.npy"
feature、label = load_features_and_labels（features_path、labels_path）
train_and_test_model（feature、label）
