基于传统机器学习方法SVM的kaggle猫狗图片分类完整源码.zip

``` 一、基于传统机器学习方法SVM对kaggle猫狗图片分类 user：　　　　 yangyu repository： https://github.com/icoty/svm_kaggle_cat_dog 参考文献：　　 https://www.jianshu.com/p/e62834b99bad 二、目录树 . |-- README.md |-- resizeData/ 原始图片像素尺寸不一,调用接口格式化后存储至该目录 |-- train/ 原始数据解压后存放位置, 下载链接：https://pan.baidu.com/s/13hw4LK8ihR6-6-8mpjLKDA 密码：dmp4 `-- train.py 三、运行结果展示 [yangyu@VM_0_3_centos svm_kaggle_cat_dog]$ [yangyu@VM_0_3_centos svm_kaggle_cat_dog]$ python train.py =============== [ BEGIN ] =============== ############### [Hog_SVM pre process] ############### 2019-01-18 22:07:59 2019-01-18 22:08:00 trainData:[500],cat:[245],dog:[255],testData:[50] ############### [Hog_SVM pre process] ############### ############### [Hog_SVM train ] ############### 2019-01-18 22:08:00 2019-01-18 22:08:00 ############### [Hog_SVM train ] ############### ############### [Hog_SVM predict ] ############### 2019-01-18 22:08:00 2019-01-18 22:08:00 predict:[50], errorConuts:[25], accuracy:[50.00%] ############### [Hog_SVM predict ] ############### =============== [ BEGIN ] =============== ############### [Hog_SVM pre process] ############### 2019-01-18 22:08:00 2019-01-18 22:08:00 trainData:[1000],cat:[505],dog:[495],testData:[100] ############### [Hog_SVM pre process] ############### ############### [Hog_SVM train ] ############### 2019-01-18 22:08:00 2019-01-18 22:08:01 ############### [Hog_SVM train ] ############### ############### [Hog_SVM predict ] ############### 2019-01-18 22:08:01 2019-01-18 22:08:01 predict:[100], errorConuts:[43], accuracy:[57.00%] ############### [Hog_SVM predict ] ############### =============== [ BEGIN ] =============== ############### [Hog_SVM pre process] ############### 2019-01-18 22:08:01 2019-01-18 22:08:02 trainData:[2000],cat:[1009],dog:[991],testData:[200] ############### [Hog_SVM pre process] ############### ############### [Hog_SVM train ] ############### 2019-01-18 22:08:02 2019-01-18 22:08:02 ############### [Hog_SVM train ] ############### ############### [Hog_SVM predict ] ############### 2019-01-18 22:08:02 2019-01-18 22:08:02 predict:[200], errorConuts:[90], accuracy:[55.00%] ############### [Hog_SVM predict ] ############### =============== [ BEGIN ] =============== ############### [Hog_SVM pre process] ############### 2019-01-18 22:08:02 2019-01-18 22:08:04 trainData:[5000],cat:[2521],dog:[2479],testData:[500] ############### [Hog_SVM pre process] ############### ############### [Hog_SVM train ] ############### 2019-01-18 22:08:04 2019-01-18 22:08:06 ############### [Hog_SVM train ] ############### ############### [Hog_SVM predict ] ############### 2019-01-18 22:08:06 2019-01-18 22:08:06 predict:[500], errorConuts:[244], accuracy:[51.20%] ############### [Hog_SVM predict ] ############### =============== [ BEGIN ] =============== ############### [Hog_SVM pre process] ############### 2019-01-18 22:08:06 2019-01-18 22:08:12 trainData:[15000],cat:[7516],dog:[7484],testData:[1500] ############### [Hog_SVM pre process] ############### ############### [Hog_SVM train ] ############### 2019-01-18 22:08:12 2019-01-18 22:08:16 ############### [Hog_SVM train ] ############### ############### [Hog_SVM predict ] ############### 2019-01-18 22:08:16 2019-01-18 22:08:16 predict:[1500], errorConuts:[713], accuracy:[52.47%] ############### [Hog_SVM predict ] ############### =============== [ BEGIN ] =============== ############### [Hog_SVM pre process] ############### 2019-01-18 22:08:16 2019-01-18 22:08:23 trainData:[20000],cat:[10037],dog:[9963],testData:[2000] ############### [Hog_SVM pre process] ############### ############### [Hog_SVM train ] ############### 2019-01-18 22:08:23 2019-01-18 22:08:29 ############### [Hog_SVM train ] ############### ############### [Hog_SVM predict ] ############### 2019-01-18 22:08:29 2019-01-18 22:08:29 predict:[2000], errorConuts:[1003], accuracy:[49.85%] ############### [Hog_SVM predict ] ############### [yangyu@VM_0_3_centos svm_kaggle_cat_dog]$ ```