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 < 10
        X, 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 0-16
    X_test = X_test / 16.0
    
    print(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.model

def 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_pred

def 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")
        return
    
    plt.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()