Классификация изображений (image classification) — это задача машинного обучения с учителем. Есть набор изображений (наши признаки) и описание того, что представлено на этих изображениях (наша целевая переменная).

Дано: классический датасет MNIST, содержащий изображения написанных от руки цифр от 0 до 9.

Задача: модель самостоятельно определяет, что представлено на изображении

• В данном случае классов десять (т.е. речь идёт о мультиклассовой классификации).

Решение:

• В качестве алгоритма использован метод опорных векторов (support vector machine или SVM).

Принцип этого классификатора заключается в том, чтобы построить плоскость (а вернее гиперплоскость, потому что мы работа в многомерном пространстве) между несколькими точками каждого класса. Эти точки называются опорными векторами (support vectors).

лоскость строится таким образом, чтобы максимизировать «зазор» или расстояние между опорными векторами.

В случае если линейную плоскость провести невозможно, алгоритм предварительно трансформирует данные так, чтобы их все-таки можно было разделить с помощью гиперплоскости, т.е. линейно.

Это называется kernel trick (метод ядра). Помимо возведения в квадрат существуют и другие функции ядра.

Подход к решению задачи:

1. Проанализировать изображения (посмотреть встроенный набор данных, сколько изображений, вывести матрицу первого изображения и т.д.).

2. Рассмотрим первые 4 изображения.

3. Подготовка данных.

• Двумерные матрицы каждого изображения нужно преобразовать в одномерные.

• Матрицы нужно соединить и тогда все изображения поместятся в один двумерный массив.

• Теперь цифровые изображения ничем не отличаются от стандартных данных в задачах классификации (по горизонтали отложены изображения, т.е. точки данных, по вертикали — признаки (оттенки пикселей)).

• В процессе обучения модели изначально необходимо разбить данные на обучающую и тестовую выборки.

• Затем использовать метод опорных векторов для обучения модели и формирования прогноза.

• С помощью атрубута support_ посмотреть на индексы точек (изображений), которые использовались в качестве опорных векторов при обучении модели.

• Использовать индексы support_ к нашему датасету, выбрать (отфильтровать) изображения, которые использовал классификатор.

• Произвести оценку качества модели (использовать метрику accuracy).

Она показывает долю правильных предсказаний. В случае с мультиклассовой классификацией она рассчитывается как среднее арифметическое accuracy по всем классам.

• Создать матрицу ошибок (удобнее смотреть аccuracy по каждому классу).

• Визуализировать результаты работы