# 使用集成学习优化（KNN 算法识别猫狗）项目

**Repository Path**: qiqizi-ha/faiss_dog_cat_question-1

## Basic Information

- **Project Name**: 使用集成学习优化（KNN 算法识别猫狗）项目
- **Description**: 使用集成学习优化（KNN 算法识别猫狗）项目
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2024-10-29
- **Last Updated**: 2024-11-28

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 项目描述
本项目旨在通过集成学习算法对 KNN 猫狗识别项目进行优化。项目中使用了多种集成学习算法，包括但不限于 VotingClassifier（投票分类器）、StackingClassifier（堆叠分类器）、BaggingClassifier（装袋分类器）、AdaBoostClassifier（自适应提升分类器）和 GradientBoostingClassifier（梯度提升分类器）等，来提高猫狗识别的准确率。

# 功能
本项目实现了以下功能：
- 使用多种集成学习算法对 KNN 猫狗识别进行优化。
- 支持从预先生成的 X.pkl 和 y.pkl 二进制文件中加载数据用于模型训练和评估。
- 在训练过程中记录每个集成学习算法模型的训练用时和评估用时，并打印日志。
- 能够保存准确率最高的集成学习模型为二进制文件。
- 把保存模型用Gradio部署为一个网页应用ensumble_webapp.py，可以通过点击上传一个图片，然后通过模型判断该图片是猫还是狗

# 依赖
本项目依赖以下库：
- numpy
- sklearn
- xgboost
- pickle
- logging
- time

# 使用
1. 安装依赖库
2. 确保已经有预训练生成的 X.pkl 和 y.pkl 数据文件。
3. 运行训练脚本

```bash
python train_ensemble.py   
```
4. 查看训练结果
- 训练过程中会在控制台打印出每个模型的训练时间、预测时间和准确率信息。
- 训练完成后，程序会将准确率最高的模型保存为 best_ensemble_model.pkl 文件。

# 注意
- 本项目使用Python 3.8及以上版本进行开发和测试。
- 项目中的集成学习算法参数可根据实际情况进行调整，以进一步优化模型性能。
- 若在运行过程中出现库未定义等错误，请检查相关库是否正确安装。
- 本项目使用sklearn库中的K近邻分类器作为对比实验。
- 本项目使用logging库记录日志。

![alt text](6222eece16f165ddd04803414e21df7.png)
![alt text](6de2f5f58a1e12404c0f6996482aaf4.png)
![alt text](eb5ab7667b3a33ec4af23edbf044841.png)
![alt text](777d3b8467719791227f2ad3bddcbbf.png)
![alt text](599b1f95d47db168f55535b37466f8c.png)
![alt text](edb403112dac206bb9ca79da8f4fd92.png)


## 个人信息
- 学号: 202252320203
- 年级: 22级
- 专业: 智能科学与技术
- 班级: 二班