toandaominh1997/finalproject_mnist_with_svm

Đồ án vấn đáp môn Máy học Phân lớp ảnh chữ số viết tay bằng SVM

FinalProject_MNIST_With_SVM

Huấn luyện SVM

Dùng linear kernel (hay nói cách khác là không dùng kernel)

• Thử nghiệm với các giá trị khác nhau của siêu tham số C; với mỗi giá trị C, ghi nhận lại: độ lỗi trên tập training, độ lỗi trên tập validation, thời gian huấn luyện.
  
• Bình luận về kết quả [Gợi ý: Theo lý thuyết thì giá trị C ảnh hưởng như thế nào đến quá trình học (C quá nhỏ thì sao, C quá lớn thì sao)? Kết quả thí nghiệm có phù hợp với lý thuyết không?]
  

Dùng Gaussian/RBF kernel

• Thử nghiệm với các giá trị khác nhau của siêu tham số C và γ; với mỗi giá trị C và γ, ghi nhận lại: độ lỗi trên tập training, độ lỗi trên tập validation, thời gian huấn luyện.
  
• Bình luận về kết quả.
  

Chọn hàm dự đoán có độ lỗi nhỏ nhất trên tập validation là hàm dự đoán cuối cùng.

Explain Code

import numpy as np
import pickle
import gzip
from sklearn.svm import LinearSVC, SVC
from time import time
from sklearn import metrics


def read_mnist(mnist_file):
    """
    Reads MNIST data.
    
    Parameters
    ----------
    mnist_file : string
        The name of the MNIST file (e.g., 'mnist.pkl.gz').
    
    Returns
    -------
    (train_X, train_Y, val_X, val_Y, test_X, test_Y) : tuple
        train_X : numpy array, shape (N=50000, d=784)
            Input vectors of the training set.
        train_Y: numpy array, shape (N=50000)
            Outputs of the training set.
        val_X : numpy array, shape (N=10000, d=784)
            Input vectors of the validation set.
        val_Y: numpy array, shape (N=10000)
            Outputs of the validation set.
        test_X : numpy array, shape (N=10000, d=784)
            Input vectors of the test set.
        test_Y: numpy array, shape (N=10000)
            Outputs of the test set.
    """
    f = gzip.open(mnist_file, 'rb')
    train_data, val_data, test_data = pickle.load(f, encoding='latin1')
    f.close()
    
    train_X, train_Y = train_data
    val_X, val_Y = val_data
    test_X, test_Y = test_data    
    
    return train_X, train_Y, val_X, val_Y, test_X, test_Y

# get datasets
train_X, train_Y, val_X, val_Y, test_X, test_Y = read_mnist('mnist.pkl.gz')


# Use SVM with Linear_Kernel

def SVM_Linear_Kernel(C):
    linear_svm = LinearSVC(C=C)
    
    linear_svm_time = time()
    linear_svm.fit(train_X, train_Y)
    linear_svm_time = time() - linear_svm_time
    
    # Validation
    linear_svm_time_for_validation = time()
    linear_svm_score = linear_svm.score(val_X, val_Y)
    linear_svm_time_for_validation = linear_svm_time + time() - linear_svm_time_for_validation
    
    print("Done with Validation in %f s" % linear_svm_time_for_validation)

    print("Accuracy of Validation: %0.3f" % linear_svm_score)
    
    
    # Test
    linear_svm_time_for_test = time()
    linear_svm_score = linear_svm.score(test_X, test_Y)
    linear_svm_time_for_test = linear_svm_time + time() - linear_svm_time_for_test
    
    print("Done with Test in %f s" % linear_svm_time_for_test)

    print("Accuracy of Test: %0.3f" % linear_svm_score)


SVM_Linear_Kernel(1.0)


# Use SVM With GaussianRBF Kernel

def SVM_GaussianRBF_Kernel(C, gamma):
    kernel_svm = SVC(C=C, gamma=gamma)
    
    kernel_svm_time = time()
    kernel_svm.fit(train_X, train_Y)
    kernel_svm_time = time() - kernel_svm_time
    
    # Validation
    kernel_svm_time_for_validation = time()
    kernel_svm_score = kernel_svm.score(val_X, val_Y)
    kernel_svm_time_for_validation = kernel_svm_time + time() - kernel_svm_time_for_validation
    
    print("Done with Validation in %f s" % kernel_svm_time_for_validation)

    print("Accuracy of Validation: %0.3f" % kernel_svm_score)
    

    # Test
    kernel_svm_time_for_test = time()
    kernel_svm_score = kernel_svm.score(test_X, test_Y)
    kernel_svm_time_for_test = kernel_svm_time + time() - kernel_svm_time_for_test
    
    print("Done with Test in %f s" % kernel_svm_time_for_test)

    print("Accuracy of Test: %0.3f" % kernel_svm_score)


SVM_GaussianRBF_Kernel(0.1, 0.9)

# Test
train_X, train_Y, val_X, val_Y, test_X, test_Y = read_mnist('mnist.pkl.gz')

print('train_X.shape =', train_X.shape)
print('train_Y.shape =', train_Y.shape)
print('val_X.shape   =', val_X.shape)
print('val_Y.shape   =', val_Y.shape)
print('test_X.shape  =', test_X.shape)
print('test_Y.shape  =', test_Y.shape)

print('\ntrain_X: min = %.3f, max = %.3f' %(train_X.min(), train_X.max()))
print('train_Y: min = %d, max = %d' %(train_Y.min(), train_Y.max()))