调整训练集占数据集的占比.docx
调整训练集占数据集的占比；观时，即训练样本数为7；测试样本数为687；其中AB504,NB190个预测AB409；出错95个（即将AB中的95个错认为NB）预测NB163；出错27个（即将NB中的27个错认为AB）准确度：83.47%* 测试20次随机选取训练样本0.842,0,524,0,742,0,505,0,841,0,896,0.5,0.746,0,516,0.85,0.841,0.846,0.827,0.874,0.875,0.84,0.49,0,507,0.893,0,857平均准确度：74.6%可以明显观察到，在低样本数时，模型稳定性较差，有时选取的训练图片可能毫无"代表性”，训练预测结果将在50%附近，基本在乱猜；而有时可能随机选取的样本能够很好的代表整体，训练预测结果将接近90机2%时，即训练样本数为13；测试样本数为687；其中AB499,NB188个预测AB476；出错23个（即将AB中的23个错认为NB）预测NB161；出错27个（即将NB中的27个错认为AB）准确度：90.51%* 测试20次随机选取训练样本0.858,0,908,0,896,0.91,0,897,0,913,0,897,0.87,0,854,0,909,0,909,0,943,0.83,0.896,0.928,0,887,0.906,0.892,0,912,0,899平均准确度：89.57%当训练集样本数为13时，不难发现，仅仅多增加了6个样本，就使得训练的模型稳定性大幅提高，也说明数据集多样性并不复杂，能够用很少的样本“代表”整体，得到较好的结论。5%时，即训练样本数为35；测试样本数为665；其中AB484,NB182个预测AB481；出错3个（即将AB中的3个错认为NB）预测NB149；出错33个（即将NB中的33个错认为AB）准确度：90.62%* 测试20次随机选取训练样本0.96,0,895,0,925,0.866,0.921,0.92,0.907,0.92,0.934,0.937,0,935,0,957,0.921,0.94,0.936,0,904,0.899,0.957,0,916,0.925平均准确度：92.38%10%时，即训练样本数为70；测试样本数为630；其中AB459,NB172个预测AB440；出错19个（即将AB中的19个错认为NB）预测NB162；出错10个（即将NB中的10个错认为AB）准确度：95.02%*测试20次随机选取训练样本0.967,0.926,0.964,0.967,0.948,0.942,0.942,0.959,0.961,0.949,0.952,0.946,0.929,0,949,0.937,0,942,0.961,0.93,0.944,0,939平均准确度：94.77%20%时，即训练样本数为140；测试样本数为560；其中AB4081NB153个预测AB401；出错7个（即将AB中的7个错认为NB）预测NB150；出错3个（即将NB中的10个错认为AB）准确度：98.16%0.973,0.974,0.944,0.945,0.962,0.957,0.955,0.978,0.953,0.969,0.973,0.971,0.947,0,954,0.944,0,956,0.98,0.987,0.962,0,972平均准确度：96.27%30%时，即训练样本数为210；测试样本数为490；其中AB357,NB134个预测AB349；出错8个（即将AB中的8个错认为NB）预测NB131；出错3个（即将NB中的3个错认为AB）准确度：97.76%0.96,0.974,0,983,0,985,0.981,0,958,0,989,0.975,0,981,0,954,0,972,0,971,0,968,0.979,0.944,0,947,0.985,0,947,0,972,0.969平均准确度：96.97%50%时，即训练样本数为350；测试样本数为350；其中AB255tNB96个预测AB255；出错0个（即将AB中的0个错认为NB）预测NB95；出错1个（即将NB中的1个错认为AB）准确度：99.48%0.986,0.989,0.996,0.989,0.984,0.978,0.973,0.989,0.976,0,986,0,991,0,968,0,969,0,989,0.991,0,984,0.977,0.98,0.97,0.988平均准确度：98.26%
