Question

我正在创建Viola-Jones算法的自定义实现。当我训练分类器并评估其准确性时，它可以准确地对1000个示例中的462个进行准确分类。但是，当我从一个pickle文件中加载相同的模型并在同一数据集上测试其准确性时，其准确性突然变成了千分之九千。

我尝试更改算法的超参数，但是训练后立即的精度始终为462/1000，这是数据集中的否定示例数。我相信这意味着clf.classify(x)总是返回0，但是我不明白为什么当我从泡菜文件中加载模型时，情况不再如此。

training = training[0:1000] #An array of tuples, first element in each tuple is a numpy array, the second is its classification

try:
    clf = ViolaJones.load("viola_jones") #Loads classifier from pickle
    print("Loaded classifier from file")
except Exception as e:
    print("Failed to load classifier from file: %s" % str(e))
    pos_num, neg_num = 0, 0
    for x, y in training:
        if y == 1:
            pos_num += 1
        else:
            neg_num += 1
    clf = ViolaJones(feature_num=2)
    clf.train(training, pos_num, neg_num)

    clf.save("viola_jones") #Saves classifier to pickle

correct = 0
for x, y in training:
    prediction = clf.classify(x)
    correct += prediction == y
print("Correctly labeled %d out of %d training examples" % (correct, len(training)))

我运行了一次文件以训练模型，评估模型并将其保存到文件中（为了简单起见，我将训练集用于训练和评估，尽管我知道这是不好的做法）。再次运行文件时，它将从文件中加载模型并进行评估。预先感谢。

Answer 1

我发现在clf.train函数中，我通过要素工程更改了training数组，因为该数组是通过引用传递的。这就是为什么该模型在训练后立即在评估上表现不佳的原因，因为它是基于工程特征的有效工程特征。在评估之前重新加载培训数据可以解决该问题。

为什么我的模型的准确性会根据是从泡菜中加载还是经过新培训而改变？

1 个答案: